阿里通义千问语音模型新版发布：3秒录音复制9种语言及18种方言

12月15日消息，据通义大模型官方公众号今日下午宣布，两款"百聆"语音模型现已正式开源，并且迎来了全面升级。据介绍，该模型只需3秒录音样本，就能让你的声音无缝切换多达9种通用语言和18种地方方言，同时还能精准复刻说话者的情绪——无论是普通话、粤语、日语、英语，还是开心、愤怒等语气，都能轻松驾驭。

能力升级

Fun-CosyVoice3 模型升级：首次发声延迟降低50%，中英文混合语音识别准确率显著提升，新增支持9种语言、18种方言口音，并具备跨语种声音克隆与情感控制能力；

Fun-ASR 模型能力增强：在噪声环境下的识别准确率高达93%，新增歌词与演唱识别功能，支持31种语言自由混合输入、并覆盖多种方言口音，同时将流式识别模型的首字延迟降低至160毫秒。

正式开源

Fun-CosyVoice3（0.5B）开源：该模型提供零样本音色克隆能力，支持本地化部署与二次开发；

Fun-ASR-Nano（0.8B）开源：作为Fun-ASR的轻量化版本，推理成本更低，模型完全开源，支持本地部署与个性化微调。

根据最新了解，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；

中英文混合词错误率相比前代大幅降低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，模型都能精准、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，复杂场景下的字符错误率相对降低26%，效果已接近真人录音水平；

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——仅需一段普通话录音样本，即可生成粤语、日语、英语等多种语言的语音，同时保持高度一致的音色特征。

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

Fun-ASR则致力于让AI"听得懂"。其基于数千上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。最新版本重点优化了嘈杂环境鲁棒性、多语言自由混合输入、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）