Agent 语音引擎换心记：从「够用」到「稳且好」

作者在 QQ Agent 语音回复场景中，将 CosyVoice2 zero-shot 方案替换为 GPT-SoVITS 微调，说话人余弦从 0.06 提升至 0.89，合成速度提升 5 倍，常驻内存从 5GB 降至 150MB。入场需掌握语音模型微调技术，准备 102 秒音轨素材，清洗后数据进行微调训练。方案通过子进程隔离显著降低内存占用，实现「稳且好」的语音效果。