容器化部署 CosyVoice

本指南详细阐述了在共绩算力平台上，高效部署与使用 CosyVoice 项目的技术方案。基于新一代生成式语音大模型，CosyVoice 将文本理解和语音生成技术深度融合，能够精准解析并诠释各种文本内容，将其转化为如同真人发声般的自然语音，带来高度拟人化的自然语音合成体验。

1.在共绩算力上运行 CosyVoice

共绩算力平台提供预构建的 CosyVoice 容器镜像，用户无需本地复杂环境配置，可快速完成部署并启用服务。以下是详细部署步骤：

1.1 创建部署服务

登录共绩算力控制台，在控制台首页点击“弹性部署服务”进入管理页面。首次使用需确保账户已开通弹性部署服务权限。

1.2 选择 GPU 型号

根据实际需求选择 GPU 型号：

初次使用或调试阶段，推荐配置单张 NVIDIA RTX 4090 GPU

1.3 选择预制镜像

在“服务配置”模块切换至“预制服务”选项卡，搜索并选择 CosyVoice 官方镜像。

1.4 部署并访问服务

点击“部署服务”，平台将自动拉取镜像并启动容器。

部署完成后，在“快捷访问”中找到端口为 7865 的公网访问链接，点击即可在浏览器中使用 CosyVoice 的 Web 界面，或通过该地址调用 API 服务。

2.快速上手

使用 Safari 浏览器时，音频可能无法直接播放，需要下载后进行播放。

各模块功能如下：

3.API 调用指南

CosyVoice 提供完整的 API 接口体系，支持通过编程方式实现音乐创作全流程自动化。以下为核心接口详解与调用示范：

使用前请确保已安装 gradio_client 包：

pip install gradio_client

3.1 基础调用流程

from gradio_client import Client, file


client = Client("https://d06251924-cosyvoicev200-318-qiwq719d-7860.550c.cloud/")


seed = client.predict(api_name="/generate_seed")[0]


instruction = client.predict(
    mode_checkbox_group="预训练音色",
    api_name="/change_instruction"
)[0]


result = client.predict(
    tts_text="这里是需要合成的文本内容",
    mode_checkbox_group="预训练音色",
    sft_dropdown="default",  # 替换为实际音色名
    seed=seed,
    prompt_wav_upload=file("/本地路径/参考音频.wav"),
    prompt_wav_record=file("/本地路径/参考音频.wav"),
    stream="false",
    api_name="/generate_audio"
)
audio_path = result[0]  # 获取生成音频路径

3.2 参数使用说明

3.3 音频生成注意事项

1. 文件要求​：参考音频需满足：

   • 采样率 ≥16kHz
   • WAV 格式最佳
   • 长度根据模式调整（“3s 极速复刻”需 5 秒素材）

2. 跨语种模式​：

result = client.predict(
    tts_text="Hello world",
    mode_checkbox_group="跨语种复刻",
    prompt_text="英文发音提示词",
    api_name="/generate_audio"
)

1. 流式生成​（适用长内容）：

stream = "true"

3.4 错误处理建议

• 音色加载失败 → 检查sft_dropdown值是否有效
• 音频生成中断 → 降低speed数值（1.0 为原速）
• 跨语种发音异常 → 补充prompt_text发音提示

3.5 输出结果示例

print(result)



import shutil
shutil.copyfile('/tmp/gradio/synth_audio.wav', '最终成品.wav')

实际调用时请根据业务场景调整模式选择和音频参数，预置音色列表可通过 Web 界面查看或在调用/change_instruction时获取关联值。