新冠肺炎病灶的分割有助于医生更准确地进行诊断与治疗。然而，由于现有新冠肺炎数据集缺乏详细信息及高质量的标注，相关研究仍较为有限。为解决上述问题，本文提出一种基于视觉-语言对齐的粗到细分割框架C2FVL，该框架通过融合包含病灶数量及具体位置的文本信息与图像信息，实现更精准的病灶分割。引入文本信息使网络在复杂数据集上能够获得更优的预测性能。我们在两个新冠肺炎数据集（包括胸部X光片和CT图像）上进行了大量实验，结果表明，所提出的C2FVL方法在分割性能上优于现有的各类先进方法。