CosyVoic主要特點：
1、支持中文、英文、上海話、天津話、四川話等方言。語音非常自然。
2、支持3秒語音零樣本克隆，效果非常好。
3、克隆時間比較長（取決于GPU性能，使用H20以滿足低延遲輸出），L4 克隆默認文本需要10秒。
MacOS上運行比較簡單，直接使用docker即可，雖然是docker是 AMD64版本非ARM64版本，但在容器中仍然可以使用，但性能會有所損失，相當于直接用的CPU，也沒有使用MPS加速。
運行服務命令：
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命令會自動下載300M模型，并以grpc接口運行。
若想使用CosyVoice2-0.5B，只需要修改模型名稱后運行即可。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，只需要將grpc修改為fastapi即可。
零樣本測試命令：
cd?/opt/CosyVoice/CosyVoice/runtime/python/grpc
python client.py --mode zero_shot
說明：默認使用asset/zero_shot_prompt.wav 作為參考聲音
輸出默認文件名稱為：demo.wav
若要指定參考聲音：--prompt_wav "你的參考聲音.wav"
若要指定克隆文本：--tts_text "你需要克隆的文本內容"
最大的坑：
若改變默認的參考聲音，則克隆出的聲音與克隆文本完全不一致，好像模型自由發揮了嗎？
這里需要同時指定--prompt_text 這個參數才可以。
