通义实验室推出语音双模型：Fun-CosyVoice3.5与Fun-AudioGen-VD

今天，通义实验室宣布上线两款支持“FreeStyle”指令生成的语音大模型：Fun-CosyVoice3.5与Fun-AudioGen-VD。这一发布让语音生成从依赖预设标签的旧模式，跃迁到可用自然语言自由控制的新体验，实现了“用一句话随心生成语音”的深度互动。

在技术架构与功能升级方面，Fun-CosyVoice3.5主打多语种复刻与细腻表达，新添泰语、印尼语等共4种语言支持。引入DiffRO与GRPO强化学习后，模型在韵律与音质相似度上显著提升；生僻字读错率由15.2%降至5.3%，首包延迟也降低了35%。与之配合的Fun-AudioGen-VD聚焦声音设计与场景化建模，可通过指令精准控制性别、情绪与空间声效，能一体化模拟从“疯狂反派”到“热闹咖啡馆”等复杂角色与背景音的场景。

从行业趋势看，通义实验室的此番动作，正把语音生成从单纯的“转换工具”升级为面向创作的“内容工具”。这类可描述、可编排的数字表达能力，将直接赋能影视、游戏及AI智能体等领域，在降低内容制作成本的同时，大幅丰富人机交互的语义层次。

API调用:https://help.aliyun.com/zh/model-studio/text-to-speech?spm=a2c4g.11186623.help-menu-2400256.d_0_3_2_0.d5536a31V2tEJP

文档:https://help.aliyun.com/zh/model-studio/cosyvoice-clone-api?spm=a2c4g.11186623.help-menu-search-2400256.d_2