CosyVoice

CosyVoice 是一个基于大语言模型的多语言语音合成系统，支持文本到语音（TTS）、零样本语音克隆与跨语言语音生成。其核心能力包括覆盖9种主流语言、18+中文方言/口音的细粒度发音控制，内置文本归一化与发音掩码（Pronunciation Inpainting）机制，支持指令式语音调控（如语速、情感、方言），并具备双向流式处理能力（端到端延迟低至150ms）。适用于智能客服、有声内容生成、多语种交互式语音助手及本地化语音合成等需要高自然度、强可控性与多语言适配能力的生产场景。