Cosyvoice V3 Plus

把熟悉的声音用于新文稿

CosyVoice-v3-Plus 适合已有明确声音形象、又需要持续制作新内容的项目，例如课程讲师配音、品牌解说和有声读物。可以先用参考音频创建复刻音色，再以相应 voice ID 合成不同正文。模型侧重音质、声音相似度与表现力，支持文本到语音的实时流式生成。

创建复刻音色时，可准备 5—20 秒参考录音。选择说话人单一、吐字完整且没有明显背景音乐的片段，有助于表达清楚的声音特征。先用包含日常短句、数字和专有名词的内容试听，确认声音方向和读音后，再投入长篇制作。音色创建与正文合成是两个步骤，应保存与目标模型匹配的 voice ID。

按音色类型使用控制能力

v3-Plus 的声音复刻和声音设计音色不支持指令控制；系统音色需要按该音色支持的固定格式设置指令。不要把任意表演要求塞进自定义音色请求，期待它自动改变情绪。对自定义声音，可以先通过正文标点、分句和内容编排改善朗读节奏，再试听调整。

长篇有声内容建议按自然段或章节处理，统一人名、缩写和数字写法，检查段落之间的停顿与听感。流式场景可逐段接收音频；完整文件场景则应及时保存合成结果，避免仅保留有时效的下载链接。

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。

制作讲师声音的课程片段

用清晰的 5—20 秒参考录音完成音色创建，取得适配 cosyvoice-v3-plus 的 voice ID。

待朗读正文：“今天我们先认识光的反射。请观察镜子中的光线，再思考入射角与反射角之间的关系。”

为什么自定义音色不响应情绪指令？

v3-Plus 的复刻与设计音色不支持指令控制。先调整正文分句和标点；系统音色则只使用其支持的固定指令。

录音很短，能直接生成整本书吗？

创建音色后可分段合成正文，但应先做短篇试听，确认专有名词、读音和长句节奏，再制作完整内容。