本地部署阿里通义开源的 CosyVoice（或升级版的 CosyVoice2），建议使用 NVIDIA 显卡在 Linux 或 Windows Conda 环境下进行部署。1. 硬件配置要求 硬件项最低配置 (门槛)推荐配置 (流畅/快速)说明GPU / 显存NVIDIA 显卡，显存 6GB (如 RTX 2060 / 3060)NVIDIA 显卡，显存 8GB - 12GB+ (如 RTX 4060 Ti / 3090 / 4090)必须支持 CUDA；6GB 显存可运行 300M 模型，CosyVoice2-0.5B 建议 8GB 以上显存。系统内存 (RAM)16 GB32 GB 及以上模型加载和语音特征处理阶段会占用较多系统内存。硬盘空间预留 20 GB 固态硬盘预留 50 GB+ NVMe SSD预训练模型权重约 5GB–10GB，加上 PyTorch 环境与依赖库。操作系统Linux (Ubuntu 22.04) / Windows 10/11 (WSL2 或 Conda)Linux (Ubuntu 22.04 LTS)Linux 环境下系统的推理性能和显存利用率表现更佳。2. 本地部署步骤（基于 Conda + 源码）1.1. 环境准备与拉取代码：耗时约 3 分钟。打开终端，克隆带有子模块的官方仓库并创建 Python 3.10 环境：Bash# 克隆仓库（注意必须带 --recursive 提取子模块）
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice

创建并激活 Conda 环境

conda create -n cosyvoice python=3.10 -y
conda activate cosyvoice
2.2. 安装依赖库与 C++ 文本前端处理工具：关键依赖配置。CosyVoice 需要 pynini 进行文本正则化处理，推荐直接使用 Conda 安装以避免 C++ 编译报错：Bash# 1. 使用 Conda 安装 pynini（全平台通用）
conda install -c conda-forge pynini=2.1.5 -y

2. 安装对应 CUDA 版本的 PyTorch（以 CUDA 12.1 为例）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

3. 安装项目依赖

pip install -r requirements.txt
3.3. 下载模型权重文件：从魔搭社区/HuggingFace 下载。可以使用 Python 脚本从 ModelScope 快速下载预训练模型（推荐下载最新的 CosyVoice2-0.5B）：Python# 在终端运行 python3 并执行以下代码
from modelscope import snapshot_download

下载 CosyVoice2-0.5B 到 pretrained_models 目录

snapshot_download('iic/CosyVoice2-0.5B', local_dir='pretrained_models/CosyVoice2-0.5B')
4.4. 启动 WebUI 界面：体验可视化网页交互。模型下载完成后，直接在终端启动 WebUI 服务：Bash# 指定加载的模型路径和启动端口
python3 webui.py --port 50000 --model_dir pretrained_models/CosyVoice2-0.5B
启动成功后，在浏览器访问 http://localhost:50000 即可体验 zero-shot 音色克隆、跨语言合成与情绪控制。3. 更省心的替代部署方案 Docker 镜像部署（适合 Linux / 服务器）官方提供了 Docker 编译与部署文件：Bashcd runtime/python
docker build -t cosyvoice:v1.0 .
docker run -d --gpus all -p 50000:50000 cosyvoice:v1.0
开源解压即用包（适合 Windows 桌面小白用户）如果不想折腾 Python / Conda 路径，可以在 B 站或 GitHub 上搜索开源社区制作的 CosyVoice 整合包，自带防报错环境与 WebUI 双击启动脚本，更加适合个人日常使用。