01模型档案
| 模型 | CosyVoice 2 · 阿里通义 |
| 规格 | 0.5B · 许可 Apache-2.0 · 上下文 0K |
| 类别 | 音乐/音频 · 擅长 零样本 TTS · 流式合成 |
| 显存需求 | 量化最低 4G · 舒适推荐 8G |
02能跑它的显卡(按价格升序)
按推荐显存 8G 匹配,取最便宜的达标卡:
Arc B570B580 的精简版:10G 显存跑 SDXL 从容;Xe2 架构驱动进步大,千元档 I 卡入场 …
¥1,399
GeForce RTX 3060 12GB千元级 12G 传奇。学生党预算上限 2000 时的最优解。
¥1,899
MTT S80国产 GPU 第一张能日用的卡:16G 显存 + DX 兼容,驱动周更迭代中;跑 AI …
¥1,899
Arc B580 12GB12G 显存最便宜的新卡。IPEX 生态小众,学生党折腾可选。
¥2,299
GeForce RTX 4060 8GB最低预算入场券。只建议纯 SD 玩家或学生党选。
¥2,899
Radeon RX 9060 XT 8GBRDNA4 入门:8G 显存跑 SD1.5/游戏 1080p;AI 视角优先加钱 16G 版—— …
¥3,099二手/魔改大显存方案:[3090 24G 二手](/hardware/gpu/rtx-3090-24g-used/) · [魔改 4090 48G](/hardware/gpu/rtx-4090-48g-modded/) · 全量筛选 → [显卡专区](/hardware/gpu/)
多语种零样本合成,流式延迟低,适合实时配音与语音助手。
显存怎么算:推理 4-6G,无训练需求,硬件门槛可忽略;与对话模型(如 Qwen3-8B)同卡共存毫无压力,适合做语音助手的整机一体化方案,见语音场景指南。
选型对照:克隆 vs 合成的路线选择见音频模型总表;要「AI 说类似真人的话 + 真人音色」的完整链路(ASR→LLM→TTS),展开在语音场景页。
常见问题
CosyVoice 2 需要多少显存?
4-6G 推理起步,流式模式对延迟敏感但对显存友好。任意 6G+ 显卡,或 CPU 模式(延迟高一些)都能落地。
零样本是什么意思?
不需要训练:给一段参考音频(或直接用内置音色),立刻用该音色朗读任意文字。和 GPT-SoVITS 的「深度克隆」相比更轻——追求像,用 GPT-SoVITS;追求快与稳,用它。
适合什么场景?
实时配音、语音助手后端、长文本有声化——流式合成的低延迟特性就是为这些场景设计的;离线批量生产同样能打。