CosyVoice 2 是一个流式语音合成模型，基于一个大型语言模型，采用统一的流式/非流式框架设计。该模型通过有限标量量化（FSQ）增强了语音token码本的利用，简化了Text到语音语言模型的架构，并开发了一种块感知因果流式匹配模型，支持不同的合成场景。在流式模式下，模型实现了150毫秒的超低延迟，同时维持了与非流式模式几乎相同的合成质量。相比1.0版本，发音错误率降低了30%-50%，MOS分数从5.4提高到5.53，并支持对情感和方言的细粒度控制。该模型支持中文（包括方言：广东话、四川话、上海话、天津话等）、英文、日文、韩文，并支持跨语言和混合语言场景。...