MacOS 运行CosyVoice

CosyVoic主要特点：

1、支持中文、英文、上海话、天津话、四川话等方言。语音非常自然。

2、支持3秒语音零样本克隆，效果非常好。

3、克隆时间比较长（取决于GPU性能，使用H20以满足低延迟输出），L4 克隆默认文本需要10秒。

MacOS上运行比较简单，直接使用docker即可，虽然是docker是 AMD64版本非ARM64版本，但在容器中仍然可以使用，但性能会有所损失，相当于直接用的CPU，也没有使用MPS加速。

运行服务命令：

docker run --name cosyvoice -p 50000:50000 -d bobui/cosyvoice:h20_v2.20250801 /bin/bash -c "cd /opt/CosyVoice/CosyVoice/runtime/python/grpc && python3 server.py --port 50000 --model_dir iic/CosyVoice-300M"

以上bash命令会自动下载300M模型，并以grpc接口运行。

若想使用CosyVoice2-0.5B，只需要修改模型名称后运行即可。如：

docker run --name cosyvoice -p 50000:50000 -d bobui/cosyvoice:h20_v2.20250801 /bin/bash -c "cd /opt/CosyVoice/CosyVoice/runtime/python/grpc && python3 server.py --port 50000 --model_dir iic/CosyVoice2-0.5M"

若想使用fastapi，只需要将grpc修改为fastapi即可。

零样本测试命令：

cd /opt/CosyVoice/CosyVoice/runtime/python/grpc

python client.py --mode zero_shot

说明：默认使用asset/zero_shot_prompt.wav 作为参考声音

输出默认文件名称为：demo.wav

若要指定参考声音：--prompt_wav "你的参考声音.wav"

若要指定克隆文本：--tts_text "你需要克隆的文本内容"

最大的坑：

若改变默认的参考声音，则克隆出的声音与克隆文本完全不一致，好像模型自由发挥了吗？

这里需要同时指定--prompt_text 这个参数才可以。