最近經常看到有小夥伴在問，哪個開源的TTS好。
阿裏的CosyVoice終於迎來重大升級，化身CosyVoice2。
它最大的亮點是流式合成輸出。
這個開源計畫一定會讓非常多的軟體、硬體互動體驗提升一個檔次。
講下原因，互動性的AI產品，比如AI陪伴等，產品體驗要好， 必須把AI回答的延遲降到最低。
想要延遲低，就必須想辦法在各個環節降時間，ASR、LLM部份方案已經很多了，但是TTS方案確實是比較少，大部份方案開發周期比較長，問題在於流式這部份做不好。
像是豆包等產品的API已經有流式了，但是價格上確實是不低，尤其是加上聲音複制，成本太高，使用者也難以接受。
CosyVoice 2在各方面做得都不錯，粉絲朋友們可以嘗試。
掃碼加入AI交流群
獲得更多技術支持和交流
（請註明自己的職業）
計畫簡介
CosyVoice 2是阿裏巴巴開發的流式語音合成模型，它透過整合大型語言模型，實作了高品質的語音合成。該模型支持流式和非流式合成，采用有限純量量化技術提高語音資訊捕捉，簡化模型架構，並開發了塊感知因果流匹配模型以適應不同合成場景。CosyVoice 2在保持人類同等自然度的同時，幾乎無失真地實作了流式模式下的合成品質。
DEMO
各方面能力都很強，咱們一個一個來看。
1、普通的音訊複制。
輸入音訊
輸出音訊
2、跨語言聲音複制
輸入音訊
輸出音訊
3、有情感的音訊合成
快樂的
生氣的
4、順口溜
5、角色扮演
6、方言
粵語
上海話
2.0版本亮點
語言支持
支持語言：中文、英文、日語、韓語、中國方言（粵語、四川話、上海話、天津話、武漢話等）
跨語言和混合語言：支持跨語言和程式碼切換場景的零樣本語音複制。
超低延遲
雙向流支持：CosyVoice 2.0 整合了離線和流建模技術。
快速首包合成：實作低至 150 毫秒的延遲，同時保持高品質的音訊輸出。
高精度
改進發音：與 CosyVoice 1.0 相比，發音錯誤減少了 30% 到 50%。
基準測試成果：在Seed-TTS評估集的硬測試集上取得最低的字元錯誤率。
穩定性強
音色一致性：確保零樣本和跨語言語音合成的可靠語音一致性。
跨語言合成：與 1.0 版本相比有顯著的改進。
自然體驗
增強韻律和音質：改進了合成音訊的對齊，將 MOS 評估分數從 5.4 提高到 5.53。
情感和方言靈活性：現在支持更細致的情感控制和口音調整。
計畫連結
https://github.com/FunAudioLLM/CosyVoice
關註「 開源AI計畫落地 」公眾號
與AI時代更靠近一點
關註「 AGI光年 」公眾號
獲取每日最新資訊
關註「 向量光年 」公眾號
加速全行業向AI轉變
