阿里通义百灵上新语音模型：3秒录音即可克隆9种语言及18种方言

12月15日，通义大模型官方放出最新消息，宣布两款“百聆”语音模型正式开源，并迎来重磅升级。据介绍，只需录制3秒你的声音，就能让它无缝切换至不同语种、方言乃至情绪——无论是普通话、粤语、日语、英语的日常表达，还是开心、愤怒等情绪语调，它都能轻松驾驭，覆盖9种通用语言与18种方言。

此次升级中，Fun-CosyVoice3模型实现了多方面能力提升：首包延迟降低了一半，中英文混合语音的识别准确率翻倍，并支持9种语言、18种方言口音、跨语种克隆及情感控制；Fun-ASR模型能力同样增强：在嘈杂环境下的识别准确率达到93%，新增歌词与演唱识别功能，可自由混说31种语言、覆盖多种方言口音，同时将其流式识别模型的首字延迟降至160毫秒。开源版本方面，Fun-CosyVoice3（0.5B）提供零样本音色克隆能力，支持本地部署与二次开发；Fun-ASR-Nano（0.8B）作为轻量化版本，推理成本更低，模型完全开源，支持本地部署与定制化微调。

根据我们获得的最新进展，本次Fun-CosyVoice3大模型完成了多项关键升级：

首包延迟降低50%，支持双向流式合成，真正实现“输入即发声”，适用于语音助手、直播配音、无障碍阅读等实时交互场景；中英文混合语音的词错误率相比之前大幅下降56.4%，无论是包含专业术语、大小写混排的文本，还是需要进行语码转换的句子，都能精准且自然地发音；在零样本语音合成评测中，内容一致性与音色相似度全面提升，复杂测试场景下的字符错误率相对降低26%，接近真人录音水平；支持9种通用语言、18种中文方言、9种情感控制，并具备跨语种音色复制能力——仅用一段普通话录音，即可生成粤语、日语、英语等其他语言的语音，且音色保持高度一致。

而此次开源的Fun-CosyVoice3-0.5B模型提供了零样本音色克隆功能，你只需提供一段3秒以上的参考音频，即可复刻其音色并合成新的语音，同时支持本地部署和二次开发。

Fun-ASR让AI真正“听得懂”。其基于数千小时真实语音数据训练，已在钉钉“AI听记”、视频会议等场景中大规模落地。最新版本重点优化了嘈杂环境鲁棒性、多语言自由混说、中文方言与口音覆盖、歌词识别、定制化能力，并将流式识别模型的首字延迟降低到160毫秒。

Fun-CosyVoice3-0.5B开源地址：

https://github.com/FunAudioLLM/CosyVoice（GitHub）https://funaudiollm.github.io/cosyvoice3/（GitHub.io）https://www.modelscope.cn/studios/FunAudioLLM/Fun-CosyVoice3-0.5B（体验 demo）https://modelscope.cn/models/FunAudioLLM/Fun-CosyVoice3-0.5B-2512（国内模型仓库）https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512（海外模型仓库）

Fun-ASR-Nano-0.8B开源地址：

https://github.com/FunAudioLLM/Fun-ASR（GitHub）https://funaudiollm.github.io/funasr/（GitHub.io）https://modelscope.cn/studios/FunAudioLLM/Fun-ASR-Nano/（国内体验 demo）https://huggingface.co/spaces/FunAudioLLM/Fun-ASR-Nano（海外体验 demo）https://modelscope.cn/models/FunAudioLLM/fun-asr-nano-2512（国内模型仓库）https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512（海外模型仓库）