CosyVoice 实测，阿里开源语音合成模型，3s极速语音克隆，5分钟带你部署实战

前段时间给大家介绍了阿里最强语音识别模型：
SenseVoice 实测，阿里开源语音大模型，识别效果和效率优于 Whisper

今天，它的姊妹篇来了：语音合成模型 CosyVoice，3秒极速复刻声音。

这两，堪称语音对话的完美搭档：

• SenseVoice 专注语音识别、情感识别和音频事件检测
• CosyVoice 专注语音合成，支持多语言、音色和情感控制。

能干什么？

只要是人机交互的应用场景，它都能顶。比如语音翻译、语音对话、互动播客、有声读物等。

本次分享，就带大家来体验一番，并在本地部署起来，方便随时调用。

目录

• [1. CosyVoice 简介](#1. CosyVoice 简介)
• [2. 在线体验](#2. 在线体验)
• 3.本地部署
• • [3.1 申请云实例](#3.1 申请云实例)
  • [3.2 环境准备](#3.2 环境准备)
  • [3.3 模型准备（可选）](#3.3 模型准备（可选）)
  • [3.3 本地测试](#3.3 本地测试)
  • • [3.3.1 sft 模型测试](#3.3.1 sft 模型测试)
    • [3.3.2 基座模型测试](#3.3.2 基座模型测试)
    • [3.3.3 Instruct 模型测试：](#3.3.3 Instruct 模型测试：)
  • [3.4 WebUI](#3.4 WebUI)
  • [3.5 服务部署](#3.5 服务部署)
  • • [3.5.1 服务端部署](#3.5.1 服务端部署)
    • [3.5.2 客户端调用](#3.5.2 客户端调用)
  • [3.6 显存占用情况](#3.6 显存占用情况)
• 写在最后

1. CosyVoice 简介

项目地址：https://github.com/FunAudioLLM/CosyVoice

项目简介：https://fun-audio-llm.github.io/

CosyVoice 的亮点总结：

• 只需3到10秒的音频样本，便能够复刻出音色，包括语调和情感等细节；
• 支持富文本和自然语言输入实现对情感和韵律的精细控制，使得合成语音充满感情色彩；
• 可以实现跨语种的语音合成。

官方共提供了三个版本的模型：

• 基座模型 CosyVoice-300M，支持 3s 声音克隆；
• 经过SFT微调的模型 CosyVoice-300M-SFT，内置了多个训好的音色；
• 支持细粒度控制的模型 CosyVoice-300M-Instruct，支持支持富文本和自然语言输入。

从模型架构图上，可以看出，文本输入侧，支持三种类型的输入。

最近大火的 ChatTTS 对比，CosyVoice 在内容一致性上更优，且少有幻觉、额外多字。不得不说，CosyVoice 很好地建模了文本中的语义信息，达到了与人类发音相当的水平。

2. 在线体验

体验地址：https://www.modelscope.cn/studios/iic/CosyVoice-300M

操作比较简单，多点一点就熟悉了~

对于开发者而言，一个好的工具，自然是要能够随时调用的，接下来我们就聊聊如何把它部署成一个服务，方便集成到的你的应用中去。

3.本地部署

本打算采用 ModelScope 的 GPU 实例进行演示，不过安装conda环境出现各种问题，最终还是弃用了。

今天给大家推荐一个云 GPU 厂商，新人注册送 100 点算力，还没使用过的小伙伴赶紧去薅羊毛：驱动云注册

virtaicloud 不仅是新人福利诚意满满，而且远程连接非常方便。此外，不用担心你的数据丢失：

• 项目空间中， /gemini/code 中的文件，会持久保存；
• 只要将当前环境采用 dockerfile 构建为新镜像，项目依赖就会持久保存。

3.1 申请云实例

注册成功后，点击快速创建项目。

step1: 资源配置：选择一张 6G 的显卡就够

step2: 选择镜像，社区已有小伙伴做好了 CosyVoice 的镜像，拿来用就行，搜索框输入 cosy，从公开镜像中查找。

step3: 数据配置，社区已有小伙伴上传了 CosyVoice 的模型，赶紧挂载进来，否则接下来下载模型你会很痛苦（太慢了😂）。

step4: 下方开启 SSH 远程连接，点击立即启动。

等待机器分配并启动，成功后，在右侧可以看到 SSH 远程连接的指令：

VS Code 访问服务器需要在本地进行一番配置，不了解的小伙伴可以回看：【保姆级教程】Windows 远程登陆 Linux 服务器的两种方式：SSH + VS Code。

具体到这台云主机，ssh 配置如下：

Host virtaicloud
  HostName ssh.virtaicloud.com
  Port 30022
  User action@root@ssh-09cecba52bec4fd832630062e8be5d5e.fbrmebdsfcjp

然后，到平台设置一个登录密码：

远程登录成功后，可以看到是 python 3.8 的环境:

(base) root@gjob-dev-475943020991115264-taskrole1-0:~# python -V
Python 3.8.18

3.2 环境准备

实例启动后，打开一个终端，下载项目源码。

git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice

项目依赖 python 3.8 环境，因为镜像已经装好了项目所需的依赖，所以这一步可以跳过。

conda create -n cosyvoice python=3.8
conda activate cosyvoice
conda install -y -c conda-forge pynini==2.1.5
pip install -r requirements.txt

3.3 模型准备（可选）

如果你在申请实例时，已经挂载了模型，可以跳过这一步，否则只能 kill 掉实例，才能在项目中重新挂载。

挂载的模型路径在：/gemini/pretrain，我们可以建立一个软链接：

ln -s /gemini/pretrain pretrained_models

然后安装 ttsfrd：

cd pretrained_models/CosyVoice-ttsfrd/
pip install ttsfrd-0.3.6-cp38-cp38-linux_x86_64.whl

当然你也可以选择在项目中下载模型，如果速度你能忍的话~

ModelScope 模型下载有多种方式，其中命令行下载可以实时看到下载进度，相对友好一些。运行下方指令，下载所需模型：

mkdir pretrained_models
modelscope download --model=iic/CosyVoice-300M --local_dir pretrained_models/CosyVoice-300M
modelscope download --model=iic/CosyVoice-300M-SFT --local_dir pretrained_models/CosyVoice-300M-SFT
modelscope download --model=iic/CosyVoice-300M-Instruct --local_dir pretrained_models/CosyVoice-300M-Instruct
modelscope download --model=iic/CosyVoice-ttsfrd --local_dir pretrained_models/CosyVoice-ttsfrd

3.3 本地测试

因为项目依赖第三方库 third_party/Matcha-TTS，所以要加入到 Python 环境变量中：

export PYTHONPATH=third_party/Matcha-TTS

3.3.1 sft 模型测试

当前支持的音色包括：['中文女', '中文男', '日语男', '粤语女', '英文女', '英文男', '韩语女']。你需指定其中一个音色，然后进行语音合成：

from cosyvoice.cli.cosyvoice import CosyVoice
from cosyvoice.utils.file_utils import load_wav
import torchaudio
cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-SFT')
# sft usage
print(cosyvoice.list_avaliable_spks())
output = cosyvoice.inference_sft('你好，我是通义生成式语音大模型，请问有什么可以帮您的吗？', '中文女')
torchaudio.save('sft.wav', output['tts_speech'], 22050)

3.3.2 基座模型测试

下方示例为 音色克隆，输入一段 3s 以上的音频即可，模型会生成该音色的语音：

cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M')
# zero_shot usage, <|zh|><|en|><|jp|><|yue|><|ko|> for Chinese/English/Japanese/Cantonese/Korean
prompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)
output = cosyvoice.inference_zero_shot('收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。', '希望你以后能够做的比我还好呦。', prompt_speech_16k)
torchaudio.save('zero_shot.wav', output['tts_speech'], 22050)

此外，模型还支持跨语言合成，也即输入是中文的语音，只复刻其中的音色，输出英文的语音：

# cross_lingual usage
prompt_speech_16k = load_wav('cross_lingual_prompt.wav', 16000)
output = cosyvoice.inference_cross_lingual('<|en|>And then later on, fully acquiring that company. So keeping management in line, interest in line with the asset that\'s coming into the family is a reason why sometimes we don\'t buy the whole thing.', prompt_speech_16k)
torchaudio.save('cross_lingual.wav', output['tts_speech'], 22050)

3.3.3 Instruct 模型测试：

该模型支持细粒度的情绪控制，当前支持的富文本包括

• <laughter></laughter>：中间的文本带有微笑语气；

• <strong></strong>：中间的文本带被刻意强调；

• [laughter][breath]：分别是笑声和深呼吸。

  cosyvoice = CosyVoice('pretrained_models/CosyVoice-300M-Instruct')

  instruct usage, support <laughter></laughter>[laughter][breath]

  output = cosyvoice.inference_instruct('在面对挑战时，他展现了非凡的勇气与智慧。', '中文男', 'Theo 'Crimson', is a fiery, passionate rebel leader. Fights with fervor for justice, but struggles with impulsiveness.')
  torchaudio.save('instruct.wav', output['tts_speech'], 22050)

3.4 WebUI

项目中支持一键部署 webui，不过只能挂载一个模型，需要指定 model_dir：

python3 webui.py --port 50000 --model_dir pretrained_models/CosyVoice-300M

服务部署在 5000 端口上，为了能在公网访问，

打开浏览器试试吧~

当然，如果你是 vscode 远程连接，那么 vscode 默认会自动把 50000 端口映射出来，所以localhost:50000 也是可以访问的。

最上方输入待合成的文本，我们选择 3s 极速复刻， prompt 文本处输入音频对应的文本。

3.5 服务部署

3.5.1 服务端部署

项目支持 fastapi 部署，因此我们通过如下代码，启动服务端。

cd runtime/python/fastapi
export MODEL_DIR=/gemini/code/CosyVoice/pretrained_models/CosyVoice-300M-SFT
uvicorn server:app --host 0.0.0.0 --port 50000 --reload

简单解释下上面的代码：server.py 中需要指定MODEL_DIR环境变量，所以我们在命令行中给出。

• uvicorn server:app：启动 Uvicorn 服务器，server:app 表示在 server.py 文件中找名为 app 的 FastAPI 实例。
• --host 0.0.0.0：使服务器可以通过任何 IP 地址访问。
• --port 50000：指定服务器监听的端口。
• --reload：在开发模式下启用热重载，以便在代码更改时自动重启服务器。

稍等片刻让模型加载进显存，看下如下提示，代表服务已经正常启动：

INFO:     Application startup complete.

3.5.2 客户端调用

客户端调用代码在 client.py，支持多种模式输入：

python client.py --api_base http://127.0.0.1:50000 --mode <sft|zero_shot|cross_lingual|instruct>

参数设置如下：

• --api_base：请求地址，由于我们已经在 virtaicloud 控制台中将端口映射了出来，所以直接请求 http://direct.virtaicloud.com:47500，也是 OK 的。
• --mode：推理模式，包括<sft|zero_shot|cross_lingual|instruct>

更多参数设置可参考 client.py。

3.6 显存占用情况

给大家看下，显存占用情况：

模型推理，大约占用 < 6G 显存，比 ChatTTS 略高~

选用趋动云的最小算力规格：B1.small，完全足够，一天合计花费为：0.49 算力点/小时 x 24 = 12 元。

12 元拥有一台 24 小时为你服务的语音合成工具，可还香？

目前新人注册送 100 点算力，推荐大家去薅羊毛：https://platform.virtaicloud.com/gemini_web/auth/register?inviteCode=b702f65cfe99e8cf10900a650fdc00c6

写在最后

从 GPT-SoVITS 到 CosyVoice，时隔不过两月，而语音克隆的难度已经极大降低，堪称 0 门槛了，一个人人有嘴替的时代已经到来。

你确定不去试试么？

关于开源 AI 大模型的文章，我打算做成一个专栏，目前已收录：

• CogVideo 实测，智谱「清影」AI视频生成，全民免费，连 API 都开放了！
• 全网刷屏的 LLaMa3.1，2分钟带你尝个鲜
• SenseVoice 实测，阿里开源语音大模型，识别效果和效率优于 Whisper
• EasyAnimate-v3 实测，阿里开源视频生成模型，5 分钟带你部署体验，支持高分辨率超长视频
• 开源的语音合成项目-EdgeTTS，无需部署无需Key
• 一文梳理ChatTTS的进阶用法，手把手带你实现个性化配音
• FLUX.1 实测，堪比 Midjourney 的开源 AI 绘画模型，无需本地显卡，带你免费实战

后面会定期更新，感兴趣的小伙伴欢迎关注。

如果本文对你有帮助，欢迎点赞收藏备用。