← 选型矩阵 · 语音识别
CosyVoice：语音识别，Docker，显存 8G
零样本音色克隆的 TTS，中文自然度和韵律在开源里第一梯队。
关键字段
| 用途 | 语音识别 |
|---|
| 部署形态 | Docker |
|---|
| 纯内网 | 是 |
|---|
| 显存门槛 | 8G |
|---|
| 部署难度 | ●●●○○ |
|---|
| 许可 | Apache-2.0 |
|---|
| 成本 | 自建免费 |
|---|
| 中文 | 是 |
|---|
| 扫描件 OCR | 否 |
|---|
| 批量 | 是 |
|---|
| 多人协作 | 否 |
|---|
| 要注意 | 音色克隆有合规风险，上线前先把授权与告知做足；长文本要自己切片合成。 |
|---|
字段核验：2026-11（许可、部署形态、显存门槛来自项目公开文档；价格不上表，会过期）
选它之前要想清楚
音色克隆有合规风险，上线前先把授权与告知做足；长文本要自己切片合成。
项目主页 ↗
同类替代
- FunASR（单机 · 显存 8G · 难度 2）— 长音频要自己切分和拼接，热词表要按业务调，否则专有名词错得离谱。
- whisper.cpp（单机 · 显存 无 · 难度 1）— 没标点、没说话人分离，中文专有名词准确率低于国内方案。
- faster-whisper（Docker · 显存 4G · 难度 2）— 依赖 CUDA/cuDNN 版本对齐，装环境最容易卡在这一步；长音频要自己切片。
- WhisperX（单机 · 显存 8G · 难度 3）— 依赖链重（pyannote 模型要授权 token），环境比模型本身难搞；说话人分离在嘈杂录音上会乱。
把 CosyVoice 和同类并排对比 →