阿里通义推出双语音AI模型，一句话即可操控音色与音频场景

3月2日，阿里通义实验室语音团队发布Fun-CosyVoice3.5和Fun-AudioGen-VD两款语音生成模型，主打FreeStyle自然语言控制能力，用户无需复杂参数即可通过文字指令调控音色风格或构建音频场景。其中Fun-CosyVoice3.5作为迭代升级产品，新增泰语等4种语种支持，将生僻字读错率从15.2%降至5.3%，在多语种复刻领域实现精细化突破。

过去想要调整AI语音生成的音色风格，往往需要在后台反复调试十几种参数，或是严格遵循标准化指令模板——这一技术门槛如今被阿里通义的新成果彻底打破。

两款模型的核心突破性在于全新的FreeStyle指令系统。不同于以往依赖专业参数配置的操作逻辑，用户仅需通过一句自然语言描述，就能精准控制声音的表达风格，或是从零构建完整的音频场景。

比如想要生成一段职场汇报风格的语音，无需输入“语速+10%、情绪强度0.8、风格正式”这类复杂参数，只需一句“语气坚定、语速适中的职场汇报语音”，模型就能立刻输出符合要求的内容；针对音频场景构建，一句“清晨森林里的鸟鸣搭配轻柔的钢琴声”，就能让Fun-AudioGen-VD生成对应的环境音频。

作为经典语音模型CosyVoice的迭代版本，Fun-CosyVoice3.5聚焦多语种音色复刻与精细化控制能力的提升。在语种覆盖上，模型新增泰语、印尼语、葡萄牙语、越南语4种语言支持，目前已覆盖13种主流语种，且在转写准确率（WER）与音色相似度两项核心指标上保持业内领先水平。

针对中文语音生成的痛点，团队还对生僻字发音进行专项调优，将生僻字读错率从15.2%大幅降至5.3%，解决了古籍朗读、专业术语播报等场景下的发音不准确问题。此外，模型对语音的细节控制能力进一步加强，用户可通过自然语言指令灵活调整语速、语调甚至地域口音特征，实现“千人千声”的个性化语音生成。

此次发布的两款模型形成了互补的产品矩阵：Fun-CosyVoice3.5专注于高质量的人声生成与风格调控，满足有声书制作、智能客服、虚拟人配音等以人声为核心的场景；而Fun-AudioGen-VD则主打音频场景的构建，能够将人声与背景音效、环境音进行自然融合，为短视频配乐、游戏音效设计、有声剧制作等提供一站式解决方案。

这种双模型协同的布局，意味着用户无需在多个工具间切换，仅通过一套自然语言指令，就能完成从单一语音生成到复杂音频场景搭建的全流程操作，进一步降低了AI语音技术的应用门槛。

随着语音AI技术从“能用”向“好用”升级，自然语言控制将成为未来语音生成工具的核心标配。阿里通义此次发布的双模型，不仅在技术精度上实现突破，更通过FreeStyle指令系统拉近了普通用户与AI语音技术的距离，或将推动语音生成在更多垂直领域的规模化落地。