最近经常看到有小伙伴在问，哪个开源的TTS好。
阿里的CosyVoice终于迎来重大升级，化身CosyVoice2。
它最大的亮点是流式合成输出。
这个开源项目一定会让非常多的软件、硬件交互体验提升一个档次。
讲下原因，互动性的AI产品，比如AI陪伴等，产品体验要好， 必须把AI回答的延迟降到最低。
想要延迟低，就必须想办法在各个环节降时间，ASR、LLM部分方案已经很多了，但是TTS方案确实是比较少，大部分方案开发周期比较长，问题在于流式这部分做不好。
像是豆包等产品的API已经有流式了，但是价格上确实是不低，尤其是加上声音克隆，成本太高，用户也难以接受。
CosyVoice 2在各方面做得都不错，粉丝朋友们可以尝试。
扫码加入AI交流群
获得更多技术支持和交流
（请注明自己的职业）
项目简介
CosyVoice 2是阿里巴巴开发的流式语音合成模型，它通过整合大型语言模型，实现了高质量的语音合成。该模型支持流式和非流式合成，采用有限标量量化技术提高语音信息捕捉，简化模型架构，并开发了块感知因果流匹配模型以适应不同合成场景。CosyVoice 2在保持人类同等自然度的同时，几乎无损地实现了流式模式下的合成质量。
DEMO
各方面能力都很强，咱们一个一个来看。
1、普通的音频克隆。
输入音频
输出音频
2、跨语言声音克隆
输入音频
输出音频
3、有情感的音频合成
快乐的
生气的
4、顺口溜
5、角色扮演
6、方言
粤语
上海话
2.0版本亮点
语言支持
支持语言：中文、英文、日语、韩语、中国方言（粤语、四川话、上海话、天津话、武汉话等）
跨语言和混合语言：支持跨语言和代码切换场景的零样本语音克隆。
超低延迟
双向流支持：CosyVoice 2.0 集成了离线和流建模技术。
快速首包合成：实现低至 150 毫秒的延迟，同时保持高质量的音频输出。
高精度
改进发音：与 CosyVoice 1.0 相比，发音错误减少了 30% 到 50%。
基准测试成果：在Seed-TTS评估集的硬测试集上取得最低的字符错误率。
稳定性强
音色一致性：确保零样本和跨语言语音合成的可靠语音一致性。
跨语言合成：与 1.0 版本相比有显著的改进。
自然体验
增强韵律和音质：改进了合成音频的对齐，将 MOS 评估分数从 5.4 提高到 5.53。
情感和方言灵活性：现在支持更细致的情感控制和口音调整。
项目链接
https://github.com/FunAudioLLM/CosyVoice
关注「 开源AI项目落地 」公众号
与AI时代更靠近一点
关注「 AGI光年 」公众号
获取每日最新资讯
关注「 向量光年 」公众号
加速全行业向AI转变
