通义CosyVoice
基于 QwenAudio 音频大模型的语音 AI 产品系列，覆盖语音转写、声音创作与语音 Agent 构建
工具介绍
通义CosyVoice 是一套围绕语音能力构建的 AI 产品系列，底层基于 QwenAudio 自研音频大模型，官网称其在多项权威评测中排名第一。系列内包含三条主要产品线：CosyFlow 面向语音输入场景，可将口述内容实时转写并自动整理成文；CosyCreative 定位为可编辑的 AI 声音创作室，用于播客、有声书、视频译制配音等内容创作；CosyAgent 则面向企业，用于构建自然语音交互的 AI Agent。三者共同覆盖从语音转写、声音创作到语音智能体搭建的完整链路，并支持中文以及上海话、粤语、四川话等方言的识别与转写。
核心功能
- 实时语音转文本与口语净化：CosyFlow 支持实时高质量语音转文本，并在转写过程中自动识别、去除“嗯、啊、那个”等口语填充词与重复词。
- 方言识别转写普通话：可识别上海话、粤语、四川话等多种方言，并将其转写为标准普通话。
- 多语言转写与翻译：支持多种语言的转写与翻译，用于跨语言内容处理。
- 声纹说话人区分：基于声纹识别发言人，在多人语音内容中更精准地定位说话人。
- 语音输入自动整理成文：CosyFlow 的定位是语音输入后自动整理、一键成文，输出恰当得体的表达。
- 可编辑的 AI 声音创作：CosyCreative 支持文本与音频智能对齐、文本驱动的局部内容重生成，以及自动分段、多轨编排、背景音乐等编辑能力。
使用方法
- 1进入通义CosyVoice 官网，根据任务选择对应产品线：语音输入整理选 CosyFlow，声音内容创作选 CosyCreative，语音 Agent 构建选 CosyAgent。
- 2在 CosyFlow 中口述内容，由产品实时转写为文本，并自动去除口语填充词与重复词；方言内容会被识别并转写为标准普通话。
- 3在 CosyCreative 中围绕 AI 播客、AI 有声书、视频译制配音或网页文档转语音等场景生成声音内容，并借助文本与音频对齐、局部重生成、自动分段、多轨编排与背景音乐等能力进行编辑。
- 4在 CosyAgent 中构建自然语音交互的 AI Agent，通过 RAG 引擎接入数据库、文档等企业知识，并通过 MCP、API 调用企业系统。
- 5检查转写、创作或 Agent 返回的结果，按需继续调整内容或补充企业知识与工具接入。
常见问题
通义CosyVoice 包含哪些产品，分别适合什么任务？
通义CosyVoice 是一个语音 AI 产品系列，包含三条产品线：CosyFlow 面向语音输入场景，可实时转写并自动整理成文；CosyCreative 是可编辑的 AI 声音创作室，用于 AI 播客、AI 有声书、视频译制配音、网页或文档转语音等创作；CosyAgent 是一站式语音 Agent 平台，用于构建自然语音交互的 AI Agent。
CosyFlow 在语音转文字时能处理口语中的冗余表达吗？
可以。CosyFlow 支持实时高质量语音转文本，并在转写过程中自动识别并去除“嗯、啊、那个”等口语化填充词与重复词，使转写结果更接近可直接使用的书面表达。
通义CosyVoice 能识别方言吗？
可以。CosyFlow 可无缝识别上海话、粤语、四川话等多种方言，并将其转写为标准普通话，同时支持多种语言的转写与翻译。
CosyCreative 除了生成声音，还支持后期编辑吗？
支持。CosyCreative 定位为可编辑的 AI 声音创作室，提供文本与音频智能对齐、文本驱动的局部内容重生成，以及自动分段、多轨编排、背景音乐等精细调整能力。
CosyAgent 如何接入企业已有的知识和系统？
CosyAgent 支持通过 RAG 引擎使用数据库、文档接入企业知识，并支持 MCP、API 等能力赋能智能体调用企业系统，可用于售前咨询、主动营销、售后支持、金融服务、零售电商、教育培训、医疗健康、本地生活等业务场景。
