CosyVoice2-0.5B
基于Qwen2.5-0.5B文本-语音语言模型的零样本语音合成权重，支持流式与非流式统一推理、跨语种合成、指令控制与细粒度标记。
最后核实：
https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B特点与限制
主要特点
- 零样本声音克隆（zero-shot）与跨语种（cross-lingual）合成
- 流式与非流式统一建模（论文说明）
- 指令控制（inference_instruct2）与细粒度控制标记（如[laughter]）
- 文本-语音语言模型由Qwen2.5-0.5B初始化
- 官方仓库另提供CosyVoice-ttsfrd文本正则化资源（可选，未安装时默认wetext）
使用边界
- 官方评测表同时列出Fun-CosyVoice3等后续型号行，本条只记录CosyVoice2（0.5B）行，不与后续型号混用。
- 来源未说明test-zh/test-en/test-hard的构成、划分与相似度模型，也未标注评测运行日期。
- 论文Table 6在SEED评测设置下报告相同CER/WER（1.45/2.57/6.83），相似度为0–1刻度的0.806/0.736/0.776，与模型卡当前的75.7/65.9/72.4（%）不同，两个来源的口径可能不同，不能混用。
- 权重仓库未附独立LICENSE文件，权重许可声明来自模型卡frontmatter（apache-2.0）与Hugging Face平台元数据；使用或再分发前建议按目标工件再次核对许可。
- 模型卡未披露合成文本长度上限；权重仓库LLM子配置（CosyVoice-BlankEN/config.json）的max_position_embeddings为32768（Qwen2架构），不是官方声明的合成输入限制，不宜当作可用文本长度。
- 本站未做听测，也未验证流式推理的实际延迟与音质。
模型信息
- 家族与版本
- CosyVoice / 2
- 输入与输出
- 文本、音频 → 音频
- 公开参数规模
- 0.5B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- 官方模型卡评测表的Model Size列为0.5B，官方型号名使用0.5B档；论文说明文本-语音语言模型以Qwen2.5-0.5B初始化。权重仓库以llm.pt、flow.pt、hift.pt等文件分发，另含CosyVoice-BlankEN子目录（Qwen2架构初始化权重）；整仓未提供可核对的safetensors参数总数。 参数来源
- 原生上下文
- 未提供
- 扩展上下文
- 未提供
- 语言声明
- 中文、英语、法语、西班牙语、日语、韩语、意大利语、俄语、德语（以上为HF模型卡frontmatter列出的9种语言）；语言支持不代表对应语言的评测水平。
- 权重许可
- Apache-2.0
- 代码许可
- Apache-2.0
- 训练资料
- 论文说明CosyVoice 2复用上一版（CosyVoice）的训练数据；语音tokenizer训练语料含约11.1万小时中文与约10万小时英文，文本侧由Paraformer与SenseVoice生成伪标注；未公开完整逐样本语料清单与许可。
能力依据
模型变体：专用版；家族与版本：CosyVoice / 2
语音合成
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER1.45%test-zh（来源表格字段名） · 中文CosyVoice模型卡评测表（test-zh/test-en/test-hard） · 说话人相似度（SS）75.7%test-zh（来源表格字段名） · 中文CosyVoice模型卡评测表（test-zh/test-en/test-hard） · WER2.57%test-en（来源表格字段名） · 英语查看评估与来源收起补充信息
语音合成
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER1.45%test-zh（来源表格字段名） · 中文
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · 说话人相似度（SS）75.7%test-zh（来源表格字段名） · 中文
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · WER2.57%test-en（来源表格字段名） · 英语
可作为多语种零样本声音克隆候选：官方模型卡报告CosyVoice2（0.5B）test-zh CER 1.45%、说话人相似度75.7%，test-en WER 2.57%，test-hard CER 6.83%；论文Table 6在SEED设置下报告相同CER/WER，相似度为0–1刻度的0.806/0.736/0.776。CER/WER只衡量合成内容与文本的一致性，相似度只衡量与参考音频的说话人接近程度，均不代表听感自然度。
已有依据支持
- 官方按权重逐行列列出CosyVoice2与后续Fun-CosyVoice3等行，本条只采用CosyVoice2行。
- 同一表格按语言与难度（test-zh/test-en/test-hard）分别给出内容一致性指标与相似度指标。
- 论文公开SEED评测设置与识别器（test-zh/test-hard用Paraformer、test-en用Whisper-large V3），可核对口径来源。
- 权重仓库模型卡frontmatter明确声明license: apache-2.0，与代码仓Apache-2.0许可相互独立、分别记录。
证据限制
- 成绩由模型发布方运行，未找到许可明确且确认为独立方的同型号同条件复测。
- 来源未标注评测运行日期，也未说明test系列测试集的构成、划分与相似度模型；论文与模型卡的相似度数值不同，不能混用。
- 权重仓库未附独立LICENSE文件；许可判断基于模型卡元数据声明，使用前需按目标工件再次核对。
- 权重仓库分发llm.pt等非safetensors文件，无法与HF张量元数据核对参数总数；模型卡未披露合成文本长度上限。
- 本站未做听测，也未验证流式与非流式推理的实际延迟与音质。
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER
1.45%官方报告 · FunAudioLLM（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- FunAudioLLM/CosyVoice2-0.5B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- test-zh（来源表格字段名） / 未提供
- 基准 / 报告版本
- FunAudioLLM/CosyVoice2-0.5B模型卡评测表（来源未标注评测版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；官方权重仓库模型卡评测表中CosyVoice2行（0.5B，非后续Fun-CosyVoice3行）的test-zh CER。模型卡未说明测试集构成与划分、参考音频与说话人条件；论文对应设置说明test-zh与test-hard用Paraformer识别、约2,000条中文样本来自CommonVoice（arXiv:2412.10117）。来源未标注评测运行日期；同表列出Human、Seed-TTS、F5-TTS等对照值仅作背景；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- funaudiollm / funaudiollm-cosyvoice2-05b-card
- 来源
- https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B
- 来源使用说明
- 引用来源；许可：未提供；仅记录官方模型卡中的少量型号成绩并保留发布方署名与来源链接；不复制整表或底层测试数据，引用不更改原仓库及数据集许可。 查看说明
- 比较状态
- 不可比：来源未披露测试集构成与划分、参考音频条件、识别器与模型revision等足以复现的信息；该结果仅记录原报告口径，不加入跨型号比较组。
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · 说话人相似度（SS）
75.7%官方报告 · FunAudioLLM（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- FunAudioLLM/CosyVoice2-0.5B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- test-zh（来源表格字段名） / 未提供
- 基准 / 报告版本
- FunAudioLLM/CosyVoice2-0.5B模型卡评测表（来源未标注评测版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；官方权重仓库模型卡评测表中CosyVoice2行（0.5B，非后续Fun-CosyVoice3行）的test-zh Speaker Similarity。来源未说明相似度模型、参考音频条件与说话人划分，也未标注评测运行日期；论文Table 6在SEED设置下同项为0.806（0–1刻度），与模型卡数值不同，两口径不能混用；Sim口径为克隆协议的相似度，不能套到预置音色TTS；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- funaudiollm / funaudiollm-cosyvoice2-05b-card
- 来源
- https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B
- 来源使用说明
- 引用来源；许可：未提供；仅记录官方模型卡中的少量型号成绩并保留发布方署名与来源链接；不复制整表或底层测试数据，引用不更改原仓库及数据集许可。 查看说明
- 比较状态
- 不可比：来源未披露相似度模型、测试集构成与参考音频条件等足以复现的信息；该结果仅记录原报告口径，不加入跨型号比较组。
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · WER
2.57%官方报告 · FunAudioLLM（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- FunAudioLLM/CosyVoice2-0.5B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- test-en（来源表格字段名） / 未提供
- 基准 / 报告版本
- FunAudioLLM/CosyVoice2-0.5B模型卡评测表（来源未标注评测版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；官方权重仓库模型卡评测表中CosyVoice2行（0.5B，非后续Fun-CosyVoice3行）的test-en WER。模型卡未说明测试集构成与划分、参考音频与说话人条件；论文对应设置说明test-en用Whisper-large V3识别、约1,000条英文样本来自CommonVoice（arXiv:2412.10117）。来源未标注评测运行日期；同表列出Human、Seed-TTS、F5-TTS等对照值仅作背景；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- funaudiollm / funaudiollm-cosyvoice2-05b-card
- 来源
- https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B
- 来源使用说明
- 引用来源；许可：未提供；仅记录官方模型卡中的少量型号成绩并保留发布方署名与来源链接；不复制整表或底层测试数据，引用不更改原仓库及数据集许可。 查看说明
- 比较状态
- 不可比：来源未披露测试集构成与划分、参考音频条件、识别器与模型revision等足以复现的信息；该结果仅记录原报告口径，不加入跨型号比较组。
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER
6.83%官方报告 · FunAudioLLM（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- FunAudioLLM/CosyVoice2-0.5B / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- test-hard（来源表格字段名；官方未说明其构成） / 未提供
- 基准 / 报告版本
- FunAudioLLM/CosyVoice2-0.5B模型卡评测表（来源未标注评测版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；官方权重仓库模型卡评测表中CosyVoice2行（0.5B，非后续Fun-CosyVoice3行）的test-hard CER。来源未说明该测试集的语言与难度构成、划分、参考音频条件与识别器细节；论文对应设置说明test-hard为约400条困难样例并用Paraformer识别，但Table 6中该列表头写作WER（arXiv:2412.10117）；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- funaudiollm / funaudiollm-cosyvoice2-05b-card
- 来源
- https://huggingface.co/FunAudioLLM/CosyVoice2-0.5B
- 来源使用说明
- 引用来源；许可：未提供；仅记录官方模型卡中的少量型号成绩并保留发布方署名与来源链接；不复制整表或底层测试数据，引用不更改原仓库及数据集许可。 查看说明
- 比较状态
- 不可比：来源未披露test-hard的构成与划分、参考音频条件、识别器与模型revision等足以复现的信息；该结果仅记录原报告口径，不加入跨型号比较组。
运行条件与获取
CosyVoice（PyTorch）
系统支持未提供 · PyTorch checkpoint（llm.pt、flow.pt、hift.pt）及随仓库提供的ONNX组件（campplus、flow.decoder.estimator、speech_tokenizer_v2等） · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；内存、显存和速度取决于运行时、精度、参考音频长度与硬件，不将参数量或文件大小换算为资源保证。
内存：未核实；显存：未核实。
依赖：Python 3.10（官方conda示例）、requirements.txt（官方仓库）、third_party/Matcha-TTS（官方git子模块）、PyTorch（含torchaudio）、huggingface_hub或modelscope（下载权重）。
STEP 01 克隆官方仓库并初始化子模块
官方README的克隆命令；仓库依赖third_party/Matcha-TTS子模块，需使用--recursive或在克隆后手动初始化。本站未执行。
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.gitSTEP 02 创建环境并安装依赖
官方conda环境示例为Python 3.10；requirements.txt安装命令按官方README原样保留（使用阿里云镜像源及--trusted-host参数），其他网络环境可自行替换索引源。如遇sox兼容问题可参考官方给出的系统依赖说明。本站未执行。
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.comSTEP 03 下载模型权重
官方README以Python片段给出snapshot_download调用；此处转换为单行命令，local_dir沿用官方示例的pretrained_models/CosyVoice2-0.5B。可选下载CosyVoice-ttsfrd资源以改进文本正则化，未安装时官方说明默认使用wetext。本站未下载权重。
python -c "from huggingface_hub import snapshot_download; snapshot_download('FunAudioLLM/CosyVoice2-0.5B', local_dir='pretrained_models/CosyVoice2-0.5B')"STEP 04 按官方Basic Usage示例运行
官方README以AutoModel(model_dir='pretrained_models/CosyVoice2-0.5B')加载，并给出zero_shot、cross_lingual、instruct2等调用示例；如需复现官方demo页结果，README提示推理时使用text_frontend=False。本站未执行，需在目标设备验证。