通义实验室发布Fun系列语音双模型，支持自然语言指令自由生成

3月2日，阿里通义实验室正式发布Fun-CosyVoice3.5与Fun-AudioGen-VD两款语音大模型，首次支持FreeStyle自然语言指令交互，实现“一句话生成语音”的自由体验。其中Fun-CosyVoice3.5新增4个语种支持，通过强化学习技术将生僻字读错率从15.2%降至5.3%，首包延迟降低35%。

想象一下，无需设置复杂的音色标签、语调参数，只需说出“用慵懒的印尼语念一首热带小诗，背景混着海浪声”，就能直接生成符合要求的语音内容——这正是通义实验室最新发布的FreeStyle语音大模型带来的全新体验。

此前，多数语音生成模型依赖预设的音色、语调、语种等标签参数，用户需要在有限选项中组合调整，难以实现个性化的自由表达。而此次发布的两款模型均支持FreeStyle自然语言指令，用户只需用日常语言描述需求，就能触发深度交互，真正实现“一句话自由生成语音”的愿景。这种模式将语音生成的门槛从“专业参数设置”拉低至“自然语言表达”，为普通用户打开了语音内容创作的大门。

作为语音复刻与多语种表达的核心模型，Fun-CosyVoice3.5在原有基础上完成了两大关键升级。一方面，新增泰语、印尼语等4个语种支持，进一步拓展了多语种语音生成的覆盖范围，满足跨区域内容创作的需求；另一方面，通过引入DiffRO与GRPO强化学习技术，模型的精细化表达能力大幅提升：生僻字读错率从15.2%直接降至5.3%，首包延迟降低35%，既保证了专业文本的朗读准确性，又优化了实时交互的流畅度。

与专注语音朗读的Fun-CosyVoice3.5形成互补，Fun-AudioGen-VD则聚焦于场景化声音的一体化生成。它支持通过自然语言指令精确控制角色性别、情绪强度，甚至空间声学效果——比如用户只需指令“生成疯狂反派的咆哮声，背景是热闹的咖啡馆环境音”，模型就能直接输出融合角色语音与场景背景的完整音频，无需分步骤生成再拼接。这种一体化的场景生成能力，为有声剧、游戏配音、广告音频等领域提供了更高效的解决方案。

从单一语种到多语种覆盖，从标签控制到自然语言交互，通义实验室的双模型发布，本质上是语音大模型向“以人为中心”交互逻辑的靠拢。未来，随着多模态技术的进一步融合，语音模型或许能实现“看文生声”“看图配声”的更复杂交互，在教育、娱乐、企业服务等场景释放更大价值。