小模型图鉴smodel
返回模型目录
语音合成

Fun-CosyVoice3-0.5B-2512

面向零样本多语种语音合成的CosyVoice 3系0.5B档基础（Base）权重，支持多语种/跨语种声音克隆、指令控制与中文方言口音，官方称支持双流式生成与150ms级低延迟。

最后核实：

https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512

特点与限制

主要特点

  • 官方称覆盖9种语言与18种以上中文方言/口音，支持多语种与跨语种零样本声音克隆
  • 支持拼音/CMU音素级别的发音修正（pronunciation inpainting）与无传统前端的文本正则化
  • 支持中英之外多语种，指令控制覆盖语言、方言、情感、语速、音量等
  • 官方称双向流式（文本输入流式与音频输出流式）延迟可低至150ms
  • 权重仓库提供基础模型与RL变体（llm.rl.pt，另见卡片Fun-CosyVoice3-0.5B-2512_RL行）

使用边界

  • 这是零样本声音克隆Base权重，不是固定音色模型；官方示例使用inference_zero_shot/inference_instruct2等接口，需自备参考音频。
  • 权重仓库未附独立LICENSE文件，权重许可声明来自模型卡元数据（frontmatter license: apache-2.0）与Hugging Face平台元数据；代码仓Apache-2.0为独立文件。使用或再分发前建议按目标工件再次核对许可。
  • 官方评测表同时给出RL变体且部分指标更优；本条只记录Base权重的数值，不与RL变体混用。
  • 官方模型卡未标注评测运行日期，也未说明test-zh/test-en/test-hard的构成、划分与相似度模型；本站未做听测。
  • 模型卡未披露LLM token上下文与音频长度上限；此项不填写未核实数值。

模型信息

家族与版本
CosyVoice / 3
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，官方型号名也使用0.5B档；CosyVoice 3论文另介绍参数规模从0.5B扩展到1.5B的版本，发布卡上的该权重为0.5B档。该权重仓库以llm.pt、flow.pt、hift.pt等文件分发，未提供可核对的safetensors参数元数据。 参数来源
原生上下文
不适用
扩展上下文
不适用
语言声明
中文、英语、日语、韩语、德语、西班牙语、法语、意大利语、俄语、18种以上中文方言/口音（官方列举粤语、闽南、四川、东北、陕西、山西、上海、天津、山东、宁夏、甘肃等）；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
所查权重仓库模型卡未列出训练语料清单；CosyVoice 3论文摘要说明训练数据从一万小时扩展到一百万小时，覆盖9种语言和18种中文方言，并介绍模型参数从0.5B扩展到1.5B（发布卡上的该权重为0.5B档），见https://arxiv.org/abs/2505.17589。

能力依据

模型变体：专用版；家族与版本：CosyVoice / 3

语音合成

CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER1.21%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）78%test-zh（来源表格字段名） · 中文
CosyVoice模型卡评测表（test-zh/test-en/test-hard） · WER2.24%test-en（来源表格字段名） · 英语
查看评估与来源收起补充信息

仅官方依据4 条成绩 · 1 个评测来源 · 0 个独立来源

可作为多语种零样本声音克隆候选：官方模型卡报告该权重（非RL版）test-zh CER 1.21%、说话人相似度78.0%，test-en WER 2.24%，test-hard CER 6.71%。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Fun-CosyVoice3-0.5B-2512与RL变体结果，本条只采用非RL行。
  • 同一表格按语言和难度（test-zh/test-en/test-hard）分别给出内容一致性指标与相似度指标。
  • 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；RL变体的部分指标更优，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。
  • 本站未做听测，也未验证官方声称的150ms级流式延迟。

CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER

test-zh（来源表格字段名） · 中文 · Fun-CosyVoice3-0.5B-2512模型卡评测表（来源未标注评测版本）

1.21%官方报告 · FunAudioLLM（模型发布方自报）官方自测

CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER · 越低越好 · 中文 · 摘要引用

展开评测条件与来源
模型标识 / 修订
FunAudioLLM/Fun-CosyVoice3-0.5B-2512 / 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
Fun-CosyVoice3-0.5B-2512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Fun-CosyVoice3-0.5B-2512行（非RL行）的test-zh CER。来源未说明测试集构成与划分、参考音频与说话人条件、识别器细节，也未标注评测运行日期；同表列出Human、Seed-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-fun-cosyvoice3-2512-card
来源
https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512
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）

test-zh（来源表格字段名） · 中文 · Fun-CosyVoice3-0.5B-2512模型卡评测表（来源未标注评测版本）

78%官方报告 · FunAudioLLM（模型发布方自报）官方自测

CosyVoice模型卡评测表（test-zh/test-en/test-hard） · 说话人相似度（SS） · 越高越好 · 中文 · 摘要引用

展开评测条件与来源
模型标识 / 修订
FunAudioLLM/Fun-CosyVoice3-0.5B-2512 / 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
Fun-CosyVoice3-0.5B-2512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Fun-CosyVoice3-0.5B-2512行（非RL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；Sim口径为模型卡自身的克隆协议，不能与预置音色TTS的相似度结果直接套用；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-fun-cosyvoice3-2512-card
来源
https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512
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

test-en（来源表格字段名） · 英语 · Fun-CosyVoice3-0.5B-2512模型卡评测表（来源未标注评测版本）

2.24%官方报告 · FunAudioLLM（模型发布方自报）官方自测

CosyVoice模型卡评测表（test-zh/test-en/test-hard） · WER · 越低越好 · 英语 · 摘要引用

展开评测条件与来源
模型标识 / 修订
FunAudioLLM/Fun-CosyVoice3-0.5B-2512 / 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
Fun-CosyVoice3-0.5B-2512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Fun-CosyVoice3-0.5B-2512行（非RL行）的test-en WER。来源未说明测试集构成与划分、参考音频与说话人条件、识别器细节，也未标注评测运行日期；同表列出Human、Seed-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-fun-cosyvoice3-2512-card
来源
https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512
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

test-hard（来源表格字段名；官方未说明其构成） · 中文 · Fun-CosyVoice3-0.5B-2512模型卡评测表（来源未标注评测版本）

6.71%官方报告 · FunAudioLLM（模型发布方自报）官方自测

CosyVoice模型卡评测表（test-zh/test-en/test-hard） · CER · 越低越好 · 中文 · 摘要引用

展开评测条件与来源
模型标识 / 修订
FunAudioLLM/Fun-CosyVoice3-0.5B-2512 / 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
Fun-CosyVoice3-0.5B-2512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Fun-CosyVoice3-0.5B-2512行（非RL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，也未标注评测运行日期；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-fun-cosyvoice3-2512-card
来源
https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512
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 · 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.git

STEP 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.com

STEP 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/Fun-CosyVoice3-0.5B。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/Fun-CosyVoice3-0.5B-2512', local_dir='pretrained_models/Fun-CosyVoice3-0.5B')"

STEP 04　运行官方示例

官方README建议优先使用Fun-CosyVoice3-0.5B并运行example.py；模型卡另给出AutoModel加载与zero_shot、cross-lingual、instruct等调用示例。本站未执行，需在目标设备验证。

python example.py

获取权重官方部署指引部署前检查

查看官方模型资料