阿里通义音频大模型FunAudioLLM开源 支持情绪语音与有声读物
在AI语音交互领域，最近迎来了一项重要进展——阿里通义实验室正式开源了FunAudioLLM项目。这个音频生成大模型的目标非常明确：让人类与大语言模型之间的语音交流，不再是冰冷机械的合成音，而是更自然、更像真人之间的对话。整个项目由两大核心模型构成：SenseVoice和CosyVoice，一个负责
在AI语音交互领域，最近迎来了一项重要进展——阿里通义实验室正式开源了FunAudioLLM项目。这个音频生成大模型的目标非常明确：让人类与大语言模型之间的语音交流，不再是冰冷机械的合成音，而是更自然、更像真人之间的对话。整个项目由两大核心模型构成：SenseVoice和CosyVoice，一个负责“听”，一个负责“说”。
先来说说CosyVoice，它专注于自然语音生成。支持中、英、日、粤、韩五种语言，基于15万小时的数据训练。最令人瞩目的能力是零样本语音合成：只需几秒钟的原始音频样本，它就能快速“克隆”音色，并且对情感和韵律实现细粒度控制。换句话说，你可以让生成的语音带有愤怒、喜悦或平静的情绪，同时灵活调整语速和抑扬顿挫。跨语言声音合成也是它的强项——比如让一个说中文的嗓音去流利地讲英语，口音和气质保持一致，如同同一个人切换语言。
再看SenseVoice，它负责语音识别与情感理解。训练数据量更大，达到40万小时，覆盖超过50种语言。官方数据显示，在中文和粤语场景下，它的识别准确率比Whisper模型高出50%以上。此外，SenseVoice还能“听”出说话人的情绪状态，并检测音频中的非语言事件——比如笑声、掌声、背景噪音。推理速度也非常快，适合实时交互场景。
两个模型组合起来，能实现的场景就非常有趣了。比如多语言语音翻译：SenseVoice先听懂源语言，交给一个LLM做语义理解和翻译，再由CosyVoice用目标语言的情感语调说出来。整个过程行云流水，就像同声传译一样自然
再比如情感语音对话机器人——它能理解用户的疲惫语气
然后用同样关切的语气回应
技术上，CosyVoice的核心在于语音量化编码——把无限的声音信号压缩成语义token，然后再还原成自然流畅的波形 目前，开源模型和代码已经在ModelScope、HuggingFace上发布
SenseVoice则是典型的encoder-based架构
兼顾ASR、语种识别（LID）
情感识别（SER）
GitHub仓库提供了完整的训练、推理和微调脚本
两个模型都有在线体验demo
可以直接在浏览器里试试效果。你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：阿里通义音频大模型FunAudioLLM开源 支持情绪语音与有声读物要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点上传旧简历即可一键生成专业新版本，支持多语言和多种作者风格，模板覆盖常见场景。历史简历保存与跟踪管理功能即将推出，适用于求职者、招聘人员及企业人力资源部门快速提升简历专业度与招聘效率。
一款面向阅读爱好者的工具，免费提供电子书阅读与Lecta章节选择功能。付费会员支持将书籍发送至电子阅读器，兼顾自我导向学习与趣味阅读需求。
SkillPool是一款AI简历筛选工具，适用于初创公司、中型企业及大型集团。操作流程包括添加职位、上传简历和筛选候选人。通过案例验证，能有效筛选开发、销售及高级管理岗位的合适人选，精准高效。
- 日榜
- 周榜
- 月榜
热点快看