定義
CosyVoiceとは、アリババグループの研究チームが開発したオープンソースの音声合成(TTS)モデルで、数秒の音声サンプルから話者の声質を再現するゼロショット音声クローンに対応する技術のこと。
CosyVoice (コージーボイス)とは（詳しく解説）
CosyVoiceは、アリババ系のTongyi研究チームが公開したオープンソースの音声合成(TTS)モデルで、数秒の音声サンプルから話者の声質・抑揚を再現するゼロショット音声クローン機能と、多言語・コードスイッチング読み上げに対応する点が特徴とされる。クラウドAPI課金の商用TTSと違い自前ホスティングできるためコスト面で従量課金を避けやすいが、GPUサーバーの構築・保守という別のコストが発生する点が実運用で見落とされがちな落とし穴とされる。2026年時点の現場では、モデル自体は無料でも感情表現の細かい調整や日本語イントネーションの精度は商用サービスに一歩譲るとの指摘があり、プロトタイプ検証やコスト重視のバッチ生成にはCosyVoiceを、品質重視の商用ナレーションには有償TTSを使い分ける選び方が広がっているとされる。ライセンス条件や生成音声の権利表記を事前に確認せず量産に進むと、後工程での作り直しにつながるリスクも指摘される。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「CosyVoice (コージーボイス)とは」 https://aipicks.jp/glossary/cosyvoice
CosyVoice (コージーボイス)の使用例
- 自分の声を5秒録音してアップロードし、「同じ声で英語の原稿を読み上げて」と多言語音声クローンを試すプロンプト例。
- 社内ナレーション量産で、GPUサーバー上にCosyVoiceを立てて台本を一括音声化するバッチ運用の例。
