文章总结： 阿里通义开源CosyVoice3语音合成模型，首包延迟降50%，支持中英混说、9种情感与18种方言，用共绩算力平台5分钟可零代码部署，3秒极速克隆音色，适合直播配音与无障碍场景。 综合评分： 72 文章分类： AI安全,解决方案,安全工具,产品介绍,软文广告

小白5min部署玩转CosyVoice！！！算力不够有共绩算力！

小明今天拿站了吗

2026年1月7日 22:06 吉林

前两天阿里通义突然就开源了一个语音合成模型，一个语音识别模型。

今天我们使用共绩算力平台搭建此服务！（文末有一键使用方式！）

所需硬件配置：

• GPU：推荐 NVIDIA RTX 3060 12GB 显存及以上
• CPU：Intel i7-10700K 或同等性能
• 存储：≥50GB 可用空间

博主的电脑配置没有这么高，而且还耗费大量的存储空间，

所以为大家推荐一个平台：

个人开发者支持计划，申领最高 1500 元免费算力（https://www.gongjiyun.com/activities/rfiuwpe9liory1kc25jcoxv2ntg/）

共绩算力

https://www.gongjiyun.com/mission/

一、首先注册登录账号：不必多说

|https://console.suanli.cn/serverless/

二、选定所需GPU算力型号

三、选择服务（预制服务-cosyvoice）

四、选中之后直接部署服务！即可

五、等待部署成功（成功后会看到一个链接！）

六、开始使用！（下文附了小白一键使用方式）

很显然 CosyVoice3 会比之前的版本强很多，具体有哪些方面的提升，可以看下面的介绍。

Fun-CosyVoice3 大模型完成多项关键升级：

• 首包延迟降低 50%，支持双向流式合成，真正实现“输入即发声”，适用于语音助手、直播配音、无障碍阅读等实时场景；
• 中英混说词错误率（WER）相比之前降低 56.4%，不论是含专业术语、大小写混排，还是语码转换的句子，都能精准、自然地发音；
• 在 zero-shot TTS 评测中，内容一致性与音色相似度全面提升，复杂场景（test-hard）字符错误率（CER）相对降低 26%，接近人类录音水平；
• 9 种通用语言、18 种中文方言、9 种情感控制，并具备跨语种音色复刻能力——用一段普通话录音，即可生成粤语、日语、英语等语音，音色保持高度一致。

3 秒极速克隆

主界面上有两种推理模式，我们首先来演示 3 秒极速克隆。

按下图操作即可：

具体使用方法如下：按图操作即可快速获得结果

1️⃣ 输入要合成内容

2️⃣ 选择 3 秒极速复刻

3️⃣ 上传参考声音（或直接录制自己的声音）

4️⃣ 点击生成音频。

稍等片刻，根据参考声音合成的音频就做好了。做好之后会自动播放。

自然语言控制

自然语言控制，就是指令控制。可以通过指令来控制声音克隆的效果

可以说方言，可以用不同的语气，也可以调整语速。

其他操作和上面的 3 秒克隆一致。

输入并选择好之后，点击生成音频就可以了。

从我的测试来看，声音克隆效果非常好。但是指令控制还比较弱，会影响相似度。可能闭源的 1.5B 模型会好一些。

这么说应该很容易理解吧！理解不了我也没办法咯

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：小明今天拿站了吗 《小白5min部署玩转CosyVoice！！！算力不够有共绩算力！》