阿里巴巴昨天刚开源了 CosyVoice3 ，属实是等了好久了 模型文件可以在huggingface或者modelscope上面下到

来自官方的宣传以及性能对比表格:

Fun-CosyVoice 3.0 是一个基于大型语言模型 (LLM) 的先进文本到语音 (TTS) 系统，在内容一致性、说话人相似度和韵律自然度方面超越了其前身 (CosyVoice 2.0)。它旨在实现零样本多语种野外语音合成。

主要特点

• 语言覆盖范围: 覆盖 9 种常用语言（中文、英语、日语、韩语、德语、西班牙语、法语、意大利语、俄语），18+ 种中国方言/口音（广东、闽南、四川、东北、陕西、山西、上海、天津、山东、宁夏、甘肃等），同时支持多语种/跨语种零样本声音克隆。
• 内容一致性和自然度: 在内容一致性、说话人相似度和韵律自然度方面达到最先进的性能。
• 发音补全: 支持中文拼音和英文 CMU 音素的发音补全，提供更多的可控性，因此适用于生产使用。
• 文本规范化: 支持读取数字、特殊符号和各种文本格式，无需传统的前端模块。
• 双流式处理: 支持文本输入流和音频输出流，并在保持高质量音频输出的同时实现低至 150 毫秒的延迟。
• 指令支持: 支持多种指令，如语言、方言、情感、速度、音量等。

性能表格

看到性能表现这么好,今天就有点坐不住，在我之前原有的项目基础上升级了一波(把cosyvoice2模型升级到cosyvoice3 改了几个关键的推理用的代码)，现在已经开源放出来了。项目地址在：https://github.com/Moeary/CosyVoiceDesktop

本项目的主要特性

✓ 完全本地部署，无需调用 API

✓ 支持 4 种推理模式：零样本复刻、精细控制、指令控制、语音修补(hotfix,cosyvoice3 新增)

✓ 界面简洁易用，零代码基础即可使用

✓ 支持计划任务批量生成,效果不好可以重 roll ，支持多语言文混合

✓ 国内用户可通过 ModelScope 直接下载模型

✓ 支持 CPU 运行，但有 NVIDIA 的 GPU 会更快(release 包已经内置带 pytorch+cuda 的环境了 理论来说从 20 系到 50 系的支持 cuda12.8 的显卡都能跑,至于为什么选这个是因为 50 系最低的 cuda 限制是 12.8😭)

本项目快速开始

1. 下载 Release 包
2. 双击 download_all_models.bat 自动下载模型（国内推荐 ModelScope 源）
3. 运行 main.py 或双击 StartCosyVoice.bat
4. 选择参考音频界面配置一下保存音频设置 → 输入文本 → 点击生成

本项目应用场景

可以用于视频配音、游戏 NPC 对白、有声书制作、教程旁白等。 项目还在不断完善中，欢迎各位提 Issue 和 PR ！

对了，如果觉得有用的话可以给个 Star 支持一下～