CosyVoiceとCosyVoice 2旧300M系から0.5Bストリーミングへ移す条件
旧CosyVoiceのcheckpointと推論モードを残すか、CosyVoice2-0.5Bのstreaming・vLLM経路へ移すか。クラウドの一枚価格ではなく、実行資産の差で決めます。
FunAudioLLMの公式CosyVoiceリポジトリとv1/v2論文を2026年10月19日に確認しました。公開weightsとローカル推論の比較であり、共通のHosted APIや音声単価は確認できないため、運用条件を分けています。
この記事の目次
旧checkpointを維持するかv2へ移すか
この比較でいうCosyVoiceは、公式リポジトリにある CosyVoice-300M、CosyVoice-300M-SFT、CosyVoice-300M-Instruct のv1系です。CosyVoice 2は CosyVoice2-0.5Bという公開モデルを指します。曖昧な「CosyVoice」を一つのAPI名として扱わないことが出発点です。
既存checkpoint、調整した参照音声、SFT/instructの再現を最優先するならv1を保存します。日本語・多言語の台詞をチャンクで返し、vLLMやstreamingを新しい環境へ移すならv2を候補にします。どちらも公開weightsを自分で動かす経路であり、Hosted APIの使い分けとしては結論を出しません。
CosyVoice 2を「速い版」と決めず、モデル初期化、参照音声、チャンク出力、GPU環境を変更できるかで移行可否を決めます。品質や速度は自社測定が必要です。
モデル名・参照音声・出力経路を比べる
| 確認軸 | CosyVoice v1 | CosyVoice 2 | 制作で決めること |
|---|---|---|---|
| モデル名 | CosyVoice-300M、SFT、Instruct。 | CosyVoice2-0.5B。v2用クラス。 | checkpointの正式名と取得元を保存する。 |
| 入力 | テキスト、参照音声、zero-shot/cross-lingual/instruct。 | テキスト、参照音声、zero-shot/cross-lingual/instruct、25Hzモデル。 | モードと参照ファイルを台詞IDへ紐付ける。 |
| 出力・制御 | ローカル音声、WebUI、FastAPI/gRPC例。 | streaming、非streaming、vLLM、FastAPI/gRPC例。 | チャンク結合、終了、保存形式を実装する。 |
| 価格・提供 | 公開weights・自前推論。Hosted API単価なし。 | 公開weights・自前推論。Hosted API単価なし。 | GPU・保存・保守をAPI従量価格と混同しない。 |
現在の公式repoの主導線はFun-CosyVoice 3.0です。v1/v2が現行Hostedサービスとして提供されているとは書かず、比較対象の版、weights、取得日を記録します。
モードとstreamingを再構成する
v1の移行前は、SFTかInstructか、zero-shotかcross-lingualか、参照音声の長さとファイル形式、モデルディレクトリ、出力サンプルレートを保存します。同じテキストでも、参照音声とモードが変われば同じ処理として追跡できません。
v2では CosyVoice2クラスとCosyVoice2-0.5Bディレクトリを一組にし、streamingならチャンクの順番、終了イベント、欠落時の再試行を保存します。vLLMを使う場合も、公式のバージョン例とGPU条件を自分の環境で検証し、v1のFastAPI引数をそのまま流用しません。
v1の保全
- 正式checkpointと取得元を固定。
- 参照音声とモードを台詞IDへ。
- 採用waveと依存関係を復元用に残す。
v2への移行
- v2クラスと0.5Bディレクトリを合わせる。
- streamingのチャンク・終了・結合を記録。
- vLLM/TransformersとGPU条件を分ける。
架空の日本語ナレーションを移行する
仮の条件（実際の生成結果ではない）
架空の製品紹介を日本語で読み上げ、同じ参照話者で英語版も作る。既存動画はv1で保存し、新しい画面の説明だけv2のstreamingへ移す。
- v1のモデル名、SFT/Instruct、zero-shot/cross-lingual、参照音声、採用waveを台詞IDに残す。
- v2の
CosyVoice2-0.5Bと参照音声を別ジョブにし、streamingと一括出力を分ける。 - 日本語・英語でテキスト正規化、句読点、チャンク境界を記録する。
- 字幕とwaveの語順、欠落、チャンク連結を確認する。話者類似や遅延は測定していない。
旧動画を復元できることと、新しい対話へ低遅延で返せることは別の要件です。移行時は採用済み音声と新規音声を上書きしません。
Hosted単価がない状態で見積もる
CosyVoice v1/v2の公式repo・論文は公開weightsとローカル推論の方法を示しますが、共通のHosted API endpointや1分・1文字の従量価格は掲載していません。したがって「v2は安い」といった比較はできません。
見積もりはGPUの種類と稼働時間、モデル・依存の保存、ストリーミングサーバー、監視、更新、出力保存を分けます。公開weightsのライセンス・利用条件も確認し、他社API料金表へ単純換算しません。
repo commit、モデル名、取得元、Python/推論ランタイム、GPU、参照音声、入力文字数、streaming有無、出力形式、実測時間、運用費の確認日。
出典・確認範囲
FunAudioLLMの公式repoと研究資料を2026年10月19日に確認しました。公開weights、推論クラス、参照音声、streaming、vLLM、FastAPI/gRPCの経路を確認しています。日本語の自然さ、話者類似、速度、実運用費は測定していません。
- QwenAudio/CosyVoice｜公式リポジトリ — v1/v2の正式名、推論・配備例、現行v3主導線。
- CosyVoice v1論文 — v1のzero-shot多言語TTS。
- CosyVoice 2論文 — v2のstreaming・LLMベース推論。