CosyVoice 能做什么：10 个具体使用场景
阿里通义实验室开源的多语言语音合成模型——这是 CosyVoice 最主要的用途，也是本文讨论的前提。
下面列出 10 个具体场景，每个都注明适合与不适合的情况。
10 个场景
- 课程旁白配音：适合每周重复执行。
- 播客后期：适合先小范围试用。
- 会议录音转写：适合每周重复执行。
- 分轨练习：适合每周重复执行。
- 短视频配乐：需要人工复核。
- 有声读物试音：可以做成固定模板。
- 播客主：选题与提纲：可以做成固定模板。
- 自媒体创作者：选题与脚本：需要人工复核。
- 中小学老师：备课与分层练习：效果依赖输入材料质量。
- 音乐人：编曲灵感：适合每周重复执行。
挑两个场景细看
分轨练习
适用情况：手头有一首用于练习的歌曲音频时。
把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。
交付前确认：分离后人声没有明显残留伴奏。
课程旁白配音
准备材料：一份 800 字的讲解稿。
把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。
交付前确认：数字读法不会产生歧义。
不适合的场景
- 需要专业资质最终签字的判断。
- 无法核实来源却要公开发布的内容。
- 涉及他人隐私且未获授权的材料。
延伸练习
有声读物试音
准备材料：一个章节的文本。
用两种不同的声音风格朗读这一章节的前 300 字：一种沉稳叙述，一种轻松亲切，对比后选择更适合的版本。
交付前确认：两种风格差异明显。
会议录音转写
适用情况：手头有一段 1 小时的会议录音时。
转写这段录音并区分发言人，生成要点摘要和待办清单，人名和专有名词按我提供的名单校正：【名单】。
检查点：专有名词按名单校正。
短视频配乐
适用情况：手头有一条 30 秒视频的情绪与节奏时。
生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。
交付前确认：结尾没有突然截断。
常见问题：合成语音读错多音字
在文本中改用同音字或拼音标注，或使用工具的发音词典。
常见问题：降噪后声音发闷
降低处理强度，宁可保留少量底噪。
常见问题：克隆音色不稳定
使用更干净、更长的样本，避免背景音乐和回声。
概念补充：说话人分离
在转写中区分不同发言人，便于整理会议记录。
概念补充：人声分离
把歌曲或录音拆分为人声与伴奏等音轨。
适合人群：客服人员
客服人员可以用 CosyVoice 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。
适合人群：音乐人
音乐人可以用 CosyVoice 处理编曲灵感、分轨练习等工作。需要注意：AI 生成音乐的版权归属以平台条款为准，发行前确认。
注意事项
文中提示词和示例仅作示意，实际效果取决于你的材料和 CosyVoice 当前版本，重要内容请人工核对后再使用。
涉及个人信息、商业机密或受监管数据时，先确认 CosyVoice 的数据处理条款，再决定能否使用。