终于把 CosyVoice3 这个一键包给搞出来了！（见文末）
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。
这两个模型可玩性很高！其中的语音合成模型 CosyVoice，我在很久之前就介绍过，很厉害，也制作过一键包。
下面让马老板亲自给大家介绍一下这个模型：
然后来听一段悄悄话：
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。
注意，这个是在之前的 3.0 的基础上升级的部分。而 3.0 又在 2.0 上做了很多升级。
CosyVoice3 的介绍就说这么多。下面就说一下一键运行包怎么用。
整体来说很简单，模型，软件和依赖都已经全部打包在里面了。只要你硬件没问题，运行起来应该很轻松。
具体方法如下。
首先下载软件包。
然后在本地解压，解压之后点击 启动.bat。
启动之后会自动调用浏览器，并打开主界面。
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：
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。
点击右下角可以下载！
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。
软件预设了各种指令文本，只要点击下拉选择即可。
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
