CosyVoice 介绍
CosyVoice围绕语音输入、声音内容创作和实时语音交互提供三类产品能力，底层由QwenAudio音频大模型提供支持。使用CosyFlow时，可直接口述或处理录音内容，系统会进行语音转文字，并识别填充词、重复表达和口头自我修正，还能把散乱口述整理成列表、表格或大纲；录音内容可继续区分发言人、生成摘要和待办。进入CosyCreative后，可输入一句想法或参考生成播客，也可导入书稿制作有声书，上传短样本音频复刻声音，或将网页、文档转换为语音；生成后还能通过文本与音频对齐进行局部重生成、自动分段、多轨编排和背景音乐处理。面向企业场景，CosyAgent支持用自然语言创建语音智能体，并接入数据库、文档、RAG、MCP和API。整体覆盖个人记录、内容生产和企业语音服务三条使用链路。
CosyVoice 需求人群
内容创作者：从一句想法或参考生成播客，并继续处理多角色、多语言和音频编排。
出版与教育内容团队：将书稿、网页或文档转换成有声内容，用于有声书、文章朗读等场景。
采访与会议记录人员：把口述和录音转成文字，过滤填充词、区分发言人并整理摘要和待办。
客服与业务团队：结合企业文档、数据库和业务工具创建实时语音智能体，用于咨询、营销和售后沟通。
CosyVoice 主要功能
口述转写与结构化整理：实时将语音转成文字，自动识别填充词、重复表达和口头改正，还能把散乱内容整理为编号列表、表格或大纲，减少转写后的手动清稿。
录音内容提炼：可生成录音逐字稿，支持多语言转写翻译、发言人区分、内容摘要和待办提取，方便继续处理会议、采访与调研材料。
播客与有声书创作：输入一句想法或参考即可构思脚本并生成完整播客，也可从书稿创建有声书，还能把网页或文档转换为语音内容。
声音复刻与表达控制：上传几秒钟样本音频即可进行声音复刻，并通过音色选择、自定义标签等方式调整语言表达、情感和风格。
文本驱动音频编辑：文本与音频完成对齐后，可针对局部内容重新生成，并继续进行自动分段、多轨编排和背景音乐处理，减少整段音频反复重做。
企业语音智能体：使用自然语言创建和修改Agent，可通过RAG接入数据库和文档，并连接MCP、API等企业工具，用于实时语音交互。
CosyVoice 产品特色
三类声音工作流衔接：CosyFlow负责语音输入与整理，CosyCreative处理声音内容生产，CosyAgent继续承接实时语音服务，覆盖记录、创作和交互三个不同环节。
成品音频仍可局部修改：生成结果并非只能整体重做，文本与音频对齐后可以针对局部内容重新生成，再继续调整分段、多轨和背景音乐。
短样本进入声音创作链路：几秒钟样本音频即可用于声音复刻，并能结合表达标签、情感表现和风格一致性继续制作内容。
语音交互可接企业业务：语音智能体除了自然语言创建，还能连接企业知识、数据库、文档以及MCP、API，把实时语音交互接入实际业务流程。