CosyVoice Desktop：在你自己的电脑上，制作多角色有声小说最新版

如果你是小说作者、播客主理人、广播剧创作者，或正在尝试将文字转化为有声内容，那么「配音成本高」「角色音色单一」「合成流程复杂」可能是你绕不开的障碍。

CosyVoice Desktop 是一个完全本地运行的桌面端有声内容生成工具，基于 CosyVoice3-0.5B 大模型构建，无需联网、无需订阅，打开即用，支持多角色配音、语音修补、跨语言合成，并提供完整的项目管理与音频导出流程。

为什么选择本地部署？

与云端 TTS 服务不同，CosyVoice Desktop 的所有推理均在你的电脑上完成：

• 无需上传文本，保障内容隐私
• 无 API 调用限制，可批量生成
• 支持自定义参考音频，实现角色音色复刻
• 断网也能用，适合敏感或离线创作场景

硬件要求：建议显存 ≥4GB（支持 CUDA 12.8，已适配 RTX 50 系显卡），亦可在 CPU 模式下运行（速度较慢）。

四种语音生成模式，覆盖多元创作需求

1. 零样本复刻（Zero-shot Cloning）
   仅需一段参考音频（3–10 秒），即可复刻其音色朗读任意文本。适合快速创建角色旁白。
2. 精细控制（Fine-grained Control）
   通过参考文本 + 参考音频 + 音素对齐，实现更精准的语调、停顿与情感控制，适合关键对白。
3. 指令控制（Instruction-based）
   用自然语言指令调整语音风格，例如：“用温和的语气朗读”“加快语速，表现紧张感”。
4. 语音修补（Voice Inpainting）
   对已有合成音频的某一段进行重生成（如修正发音错误、替换语气），无需重跑全文。

所有模式均支持中文、英文、日文、韩文及部分方言，跨语言合成能力持续优化中。

一站式工作台：从文本到成品音频

智能文本编辑器

• 支持标准编辑操作（复制/粘贴/撤销）
• 按段落绑定语音配置，不同角色以颜色标记区分（如红色=主角，蓝色=旁白）
• 生成后自动顺序播放各段音频，实时反馈效果

多角色语音管理

• 创建无限数量的角色配置，包含：模式、参考音频、参考文本、标记颜色
• 配置以 JSON 格式保存，可导入/导出，便于团队协作或跨项目复用
• 启动时自动加载上次配置，无需重复设置

自动化输出与合成

• 音频自动保存至 output/{项目名}/ 目录，结构清晰
• 内置 FFmpeg（V1.2+），支持一键合并分段音频为完整文件
• 提供重 Roll 按钮：对不满意段落单独重新生成，不重跑全文

开箱即用，但保留灵活性

• 便携设计：解压即用，自带 Python 环境，不污染系统
• 模型按需下载：从 v1.3 起，程序本体不再捆绑模型。运行 download_all_models.bat 可选择从 HuggingFace 或 ModelScope 下载（后者对国内用户更友好）
• 主题切换：支持浅色/深色/自动模式，适配不同工作环境
• 日志面板：实时显示生成进度、耗时、显存占用与警告信息，便于调试

常见问题与解决方案

• “No module named 'PIL'”
  因便携环境中缺少 Pillow 库。解决方法：在程序根目录打开终端，执行
  python_env\Scripts\pip.exe install Pillow --upgrade
• 合成音频失败
  V1.2 已内置 FFmpeg，通常无需额外配置。若仍失败，请确认系统环境变量中无冲突的旧版 FFmpeg。
• 语音失真或无声
  请确保参考音频语言与待合成文本语言一致。例如：不能用日语参考音频生成中文语音（零样本模式下尤其敏感）。
• 模型加载失败
  检查 pretrained_models/ 目录是否完整，显存是否充足（建议 ≥4GB）。

📦 版本演进：从可用到好用

• V1.0（2025.10.7）：基础功能上线
• V1.1（2025.10.30）：修复 Pillow 依赖问题
• V1.2（2025.12.14）：升级 Torch 2.7 + CUDA 12.8，支持 RTX 50 系；新增设置页、配置记忆、自动输出目录
• V1.3（2025.12.16）：升级至 CosyVoice3-0.5B，语音自然度与情感表达显著提升；提供语音修补模式；模型分离，未来将全面迁移至 GitHub 发布

项目计划逐步弃用百度网盘，所有版本将通过 GitHub 提供，提升下载稳定性和社区协作效率。

适合谁用？

• 网络小说作者：快速生成试听样章
• 独立播客制作人：低成本实现多角色对话
• 教育内容创作者：为课程脚本配音
• AI 语音爱好者：本地实验 TTS 模型效果