Cosyvoice V2

把业务文字变成可听的回复

CosyVoice-v2 是生成式语音合成模型，适合把客服答复、课程文稿、设备提示和通知内容转换为自然语音。它融合文本理解与语音生成，支持实时流式合成，应用可以逐段接收声音并安排播放，也可以在完整合成后保存音频文件。

使用时先确定正文与音色。可按需要选择适配模型的音色，或结合音色注册服务建立定制声音，再把可用 voice ID 用于后续合成。若已有声音资源，检查它是否适配 cosyvoice-v2，并保持创建与调用的账号、地域一致。这样能够把音色准备与日常文稿更新分开处理。

先把内容改成适合听的形式

屏幕上的文字未必适合直接朗读。客服通知可以把订单长编号改为必要的尾号，把日期写成完整说法，并把多个操作步骤拆成短句。课程和有声内容则应保留段落层次，用标点安排停顿，统一专有名词写法。试听的重点是能否一次听懂，而不只是声音是否自然。

流式应用需要根据返回的音频连续播放，并管理缓冲和播放顺序；用户发起新问题时，应用应停止旧轮次音频。长文可按自然段合成，避免切断人名、金额或完整语义。

北京地域基准价为 2 元/万计费字符，输出音频不另收费。汉字通常计 2 个字符，SSML 标签不计入，按返回的计费字符数结算。美元基准按 1 美元 = 6.8 元换算，最终费用应用账户分组倍率。

取件通知示例

选择适配 cosyvoice-v2 的音色，填写待朗读正文：“您好，您的包裹已送到一楼服务台。请在今天下午六点前，携带取件码领取。需要帮助时，请联系前台。”

先试听时间、地点和停顿，再用于正式通知。

文本里有订单号和网址怎么办？

先改写成用户需要听到的信息，例如只保留必要尾号，或提示查看短信中的链接；不要直接朗读整串机器字段。

流式返回就能自动播放吗？

应用仍需接收和播放音频，并处理顺序、缓冲与取消。合成服务负责生成声音。