阿里发布新语音模型“百聆”：3秒录音即可切换多语言与情感

阿里巴巴通义团队宣布，“百聆”系列语音模型迎来大升级并正式开源。此次推出的两款模型，只需约三秒的语音样本，即可在多达九种语言与十八种方言间自由切换，覆盖普通话、粤语、日语、英语等；同时还能合成带有开心、愤怒等多种情绪的语音效果。

本次更新中，Fun-CosyVoice3 的表现提升明显：首包延迟下降50%，中英混说的表现更准更稳。音色克隆能力也同步增强，提供三秒以上录音即可还原音色并生成新语音，适用于实时语音助手、直播配音、无障碍阅读等场景，效率与体验全面提升。

Fun-ASR 的识别能力同样加强：在噪声环境下准确率可达93%。该模型可识别歌词、说唱，并支持多语言自由混说，覆盖多种中文方言与口音。为优化交互体验，流式识别的首字延迟降至约160毫秒，语音对话更流畅。

此外，这两款模型均支持本地部署与二次开发，开发者可按需进行个性化定制。开源地址已同步公布，欢迎前往相关平台体验与使用，推动语音技术在更多领域落地应用。

GitHub:https://github.com/FunAudioLLM/CosyVoice

划重点:  

🌐 ** 多语言支持 **: 3秒录音即可在9种语言与18种方言间切换。  

⚙️ ** 技术升级 **: 延迟下降50%，准确率提升，语音交互更顺滑。  

📦 ** 开源开放 **: 支持本地部署与二次开发，便于个性化应用。