CosyVoice 是阿里通义出品的多语种大语音生成模型，提供从推理、训练到部署的全栈能力，支持中文方言、多国语言与零样本声音克隆。 语音合成的难点，除了「像不像人」，还有「能不能覆盖中文方言、能不能跨语言、能不能只用几秒音频就克隆音色」。CosyVoice（现仓库 QwenAudio/CosyVoice，官网指向 cosyvoice3）把这几件事一起解决：支持普通话、粤语、四川话等中文方言，以及英语、日语、韩语等多语言；提供零样本语音克隆与自然语言控制的情感/风格合成。仓库...
标签 TTS 下的文章
Fish Speech 是一套开源的语音合成（TTS）系统，主打高自然度与多语言，支持文本转语音与声音克隆，可在本地部署。 配音、有声内容、语音助手这些场景，商业 TTS 好用但按量计费、声音受平台限制、数据要上云。Fish Speech 走开源路线：把高质量语音合成能力放到你自己的机器上，支持中英等多语言、零样本声音克隆，模型可本地推理。仓库 fishaudio/fish-speech 以 Python 为主，星标约 3.3 万（以 GitHub 为准），官网 https:...
GPT-SoVITS 用一分钟语音就能训出一个像样的 TTS 模型，是目前中文语音克隆里最容易上手的一档。 做视频配音、有声书、角色语音的人都知道：商业 TTS 听着平，定制音色又贵。GPT-SoVITS 把门槛拉到了“一分钟素材 + 一张显卡”：少量样本微调后，合成出来的音色、语气、停顿都比较接近原声。它包含推理 WebUI 与训练工具，也有现成的整合包。