通义百灵开源Fun-CosyVoice3模型，0.5B参数实现极速音色克隆

智通财经APP获悉，12月15日，“通义大模型”微信公众号发文宣布，通义百炼语音模型迎来新一轮升级。本次发布包含多项重要更新：Fun-CosyVoice3模型性能提升，首包延迟降低50%，中英混字准确率翻倍，并支持9种语言及18种方言口音、跨语种克隆与情感控制；Fun-CosyVoice3(0.5B)模型正式开源，该版本具备zero-shot音色克隆能力，仅需提供一段3秒以上的参考音频，即可复刻其音色并合成新语音，同时支持本地部署和二次开发。此外，通义还推出了轻量化版本Fun-ASR-Nano模型，总参数量压缩至0.8B，推理成本更低，现已开源，支持本地部署与定制化微调。

通义团队表示，本次Fun-CosyVoice3大模型实现了多项关键升级：

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、无障碍阅读等实时场景；

中英混说词错误率(WER)相比之前下降56.4%，无论是包含专业术语、大小写混排，还是语码转换的句子，都能精准、自然地发音；

在zero-shot TTS评测中，内容一致性与音色相似度全面提升，复杂场景(test-hard)字符错误率(CER)相对降低26%，接近人类录音水平；

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刻能力——用一段普通话录音，即可生成粤语、日语、英语等语音，音色保持高度一致。

Fun-ASR模型能力同样得到增强。作为通义百炼推出的端到端语音识别大模型，Fun-ASR基于数千万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。本次，通义对Fun-ASR的核心能力进行了全面升级，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至160ms。