CosyVoice3 WebUI

基于 CosyVoice3 的多人语音合成 Web 界面，支持零样本语音克隆、配音制作等功能。

快速开始（百度网盘）

百度网盘提供已包含 Python 运行环境和预训练模型权重的完整打包，下载后配置环境变量即可直接运行，无需单独安装依赖和下载模型。

• 链接: https://pan.baidu.com/s/1x_YqRlT7ZCUngL54CmhT3w?pwd=csq5
• 提取码: csq5

网盘包内已集成 Python 运行库及全部模型权重，解压后即可使用。如果选择从源码构建，请继续阅读以下内容。

主界面预览

功能特性

• 322+ 内置发音人：中文 265 位 / 英文 57 位 / 日文 8 位，覆盖各类角色音色
• 自定义音色克隆：上传参考音频即可零样本克隆新音色
• 配音工作台：支持多角色配音项目管理，实时预览
• 流式合成：实时流式语音生成，低延迟体验

发音人一览

发音人统计

语言	数量	示例
中文	265	霸道总裁、温柔女神、热血少年、海绵宝宝...
英文	57	Adam, Amanda, Sonic, Rick Sanchez...
日文	8	あけみ（朱美）、ひかる（光）、まさお（正男）...
自定义	2	叶奈法、jok老师

所有发音人数据位于 voices_data/ 目录，自定义音色保存在 voices/ 目录。

环境要求

• Python 3.10+
• CUDA 11.8+（GPU 推理推荐）
• FFmpeg

安装步骤

1. 克隆仓库

git lfs install
git https://github.com/mitcehub/CosyVoice3-Studio.git
cd CosyVoice3

模型权重文件通过 Git LFS 管理，克隆时需要先执行 git lfs install。

2. 创建虚拟环境并安装依赖

python -m venv venv

# Windows
venv\Scripts\activate

# Linux/macOS
source venv/bin/activate

pip install -r requirements.txt

3. 配置环境变量

启动前需要设置以下环境变量：

# Windows (PowerShell)
$env:GRADIO_SERVER_PORT = "17865"
$env:GRADIO_TEMP_DIR = ".\tmp\"
$env:TORCH_HOME = ".\cache"
$env:HF_ENDPOINT = "https://hf-mirror.com"   # 国内镜像，海外可删除
$env:HF_HOME = ".\hf_download"
$env:MODELSCOPE_CACHE = ".\modelscope\cache"

# Linux/macOS
export GRADIO_SERVER_PORT=17865
export GRADIO_TEMP_DIR=./tmp/
export TORCH_HOME=./cache
export HF_ENDPOINT=https://hf-mirror.com
export HF_HOME=./hf_download
export MODELSCOPE_CACHE=./modelscope/cache

4. 下载模型

首次运行需要下载 CosyVoice3 预训练模型，放置到 pretrained_models/cy3/ 目录。

模型文件可通过 ModelScope 或 HuggingFace 获取：

• ModelScope: iic/CosyVoice2-0.5-B（CosyVoice3 兼容模型）
• HuggingFace: 对应模型仓库

下载后目录结构应为：

pretrained_models/cy3/
├── campplus.onnx
├── configuration.json
├── cosyvoice3.yaml
├── flow.pt
├── hift.pt
├── llm.pt
├── llm.rl.pt
├── speech_tokenizer_v3.onnx
├── CosyVoice-BlankEN/
│   └── model.safetensors
└── asset/

5. 启动

python webui.py

启动后浏览器访问 http://localhost:17865

项目结构

CosyVoice3/
├── cosyvoice/          # 核心推理引擎
├── web/                # 前端页面（配音等）
├── tools/              # 工具脚本（embedding 提取等）
├── third_party/        # 第三方依赖（Matcha-TTS, AcademiCodec）
├── runtime/            # 部署运行时（FastAPI/gRPC/Triton）
├── pretrained_models/  # 预训练模型权重（Git LFS）
├── voices/             # 自定义音色 (.pt)
├── voices_data/        # 音色参考音频数据（322+ 发音人）
├── assets/             # 静态资源（参考音频、多音字表等）
├── dubbing_projects/   # 配音项目（运行时生成）
├── webui.py            # WebUI 启动入口
└── requirements.txt    # Python 依赖

注意事项

• 模型文件较大（约 7GB），确保磁盘空间充足
• modelscope/、hf_download/、cache/ 为运行时自动生成的缓存目录，无需手动创建
• tmp/ 为临时文件目录，每次启动时自动清理