一句话就能“调教”音色！阿里通义推出语音双模型：支持 FreeStyle 自然语言操控

阿里通义实验室语音团队今日发布两款全新的语音生成模型：Fun-CosyVoice3.5 与 Fun-AudioGen-VD。这两款模型的亮点最大在于支持“FreeStyle”指令，用户无需复杂参数，仅用一句自然话描述，就能精准调控说话风格，或从零打造丰富的音频场景。

两款模型的功能侧重各不相同：

Fun-CosyVoice3.5：多语种复刻与更细致控制

该模型是在 CosyVoice 基础上的升级版，核心突破在于更强的语音表达“理解力”。

• 指令式生成：只需输入“语气更坚定”“语速放慢并带情绪起伏”等简单指令，输出会即时跟随调整。

• 语种扩容：新增支持泰语、印尼语、葡萄牙语、越南语，在13种语言的转写准确率（WER）和音色相似度方面继续保持领先。

• 生僻字优化：专项训练后，生僻字读错率从15.2% 显著降至 5.3%。

• 性能提升：首包延迟降低 35%，实时互动更顺畅。

Fun-AudioGen-VD：全场景声音设计

这款模型更像“声音导演”，可按描述生成“人物 + 场景”的一体化音频。

• 音色定制：可指定性别、年龄、口音，甚至细化为“沙哑、磁性、低沉”等特质。

• 情绪与角色：能够模拟客服、播音员、儿童等角色，还能表现如“表面镇定但内心发颤”等复杂心理状态。

• 环境沉浸感：支持叠加背景音（如战场轰鸣、咖啡馆喧闹）与空间特效（如大教堂回声、水下听感），带来全方位的空间模拟。

通义实验室表示，这两款模型将进一步降低高质量语音创作门槛，为播客、游戏开发、影视后期等领域提供强力的 AI 支持。