Windows下用Conda搞定CosyVoice语音克隆：从环境配置到音色复刻全流程

Windows下用Conda搞定CosyVoice语音克隆：从环境配置到音色复刻全流程

最近在折腾语音克隆项目，发现阿里通义实验室开源的CosyVoice确实有点东西。这个模型支持多语言、多音色，还能玩情感控制，最吸引人的是它那个“零样本音色克隆”能力——随便给个三五秒的音频，就能模仿出那个人的声音特征，连语气和情感细节都能抓得挺准。不过官方文档对Linux和Docker支持得挺好，一到Windows就各种水土不服，尤其是环境配置这块，坑多得能绊倒一头大象。

我自己在Windows 11上折腾了好几天，把能踩的坑都踩了一遍，总算搞定了从环境搭建到实际使用的完整流程。这篇文章就是给那些想在Windows上快速体验CosyVoice的朋友准备的，我会把整个过程中最关键的步骤、最容易出问题的地方，以及怎么绕开那些烦人的依赖冲突，都给你讲清楚。你不用再像我一样到处搜解决方案，跟着这个流程走，应该能省下不少时间。

1. 环境准备：为什么Windows上必须用Conda？

在Linux或者Mac上，你可能用virtualenv或者pipenv就能搞定Python环境，但在Windows上部署CosyVoice，Conda是唯一靠谱的选择。这主要是因为两个核心依赖在Windows上的特殊要求。

1.1 安装Miniconda并创建虚拟环境

如果你还没装Conda，先去Miniconda官网下载Windows安装包。我建议用Miniconda而不是Anaconda，前者更轻量，没那么多用不上的包。

安装完成后，打开“Anaconda Prompt”（别用普通的CMD或者PowerShell，有些环境变量设置会出问题），然后创建专门的环境：

conda create -n cosyvoice python=3.10 -y

这里为什么选Python 3.10而不是3.11或者3.12？后面会详细说，但简单讲就是DeepSpeed这个库在Windows上的兼容性问题。

创建完成后激活环境：

conda activate cosyvoice

你会看到命令行提示符从(base)变成了(cosyvoice)，这说明环境切换成功了。记住，之后所有操作都要在这个激活的环境里进行。

1.2 关键依赖：pynini和DeepSpeed的特殊处理

CosyVoice依赖一个叫pynini的文本处理库，这玩意儿在Windows上没法直接用pip安装，因为它的底层依赖OpenFST在Windows上没有预编译的wheel。Conda-forge频道里有编译好的版本，所以必须用Conda来装：

conda install -y -c conda-forge pynini==2.1.5

另一个大坑是DeepSpeed。这个库官方对Windows的支持很有限，目前能找到的预编译wheel只支持Python 3.9、3.10和3.11。这就是为什么我前面让你用Python 3.10——如果你用3.12，根本找不到能用的DeepSpeed版本。

注意：有些教程会让你从源码编译DeepSpeed，那在Windows上基本是自讨苦吃，光CUDA工具链的配置就能折腾一整天。

DeepSpeed的wheel文件可以从GitHub releases页面下载，比如deepspeed-0.16.5-py3-none-any.whl。下载后放到项目目录里，用pip本地安装：

pip install deepspeed-0.16.5-py3-none-any.whl

2. 项目克隆与依赖安装的避坑指南

2.1 正确克隆项目仓库

CosyVoice的仓库用了Git子模块（submodule），所以克隆的时候要加上--recursive参数：

git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice

如果忘了加这个参数，或者网络问题导致子模块没拉全，可以手动补一下：

git submodule update --init --recursive

这里有个小细节：项目里的third_party/Matcha-TTS子模块是必须的，如果这个目录是空的，后面运行时会报ModuleNotFoundError: No module named 'matcha'的错误。

2.2 拆分requirements.txt，分步安装

官方给的requirements.txt在Windows上直接装大概率会失败，因为里面有些包版本冲突，还有些在Windows上根本装不了。我的经验是把它拆成两份，用不同的方式安装。

先看看原始的requirements.txt长什么样，然后我们手动调整。关键是要把那些必须用Conda安装的包和可以用pip安装的包分开。

Conda安装的部分（保存为conda_requirements_win.txt）：

pynini==2.1.5
python==3.10.16
cudatoolkit=11.8.0

Pip安装的部分（保存为pip_requirements_win.txt）：

torch==2.3.1
torchaudio==2.3.1
torchvision==0.21.0
modelscope==1.15.0
gradio==5.4.0
soundfile==0.12.1
librosa==0.10.2

然后分别安装：

conda install --file conda_requirements_win.txt
pip install -r pip_requirements_win.txt

如果你遇到某个包版本冲突，可以尝试先不指定版本，让pip自己解决依赖：

pip install torch torchaudio torchvision
pip install modelscope gradio

2.3 验证CUDA和PyTorch

装完依赖后，一定要验证一下PyTorch能不能正确识别你的GPU。新建一