​阿里推出新語音模型“百聆”：三秒錄音實現多語言與情感切換

阿里巴巴通義大模型宣佈，其 “百聆” 系列語音模型迎來了重大升級，並正式開源。此次更新的兩款語音模型，能夠在僅需三秒的錄音後，實現無縫切換至多達九種語言和十八種方言，包括普通話、粵語、日語、英語等，同時還可以模擬多種情感如開心和憤怒。

在這次升級中，Fun-CosyVoice3模型得到了顯著改善。模型的首包延遲降低了50%，大幅提升了中英混說的準確率。此外，模型的音色克隆能力得到了增強，用戶只需提供一段三秒以上的錄音，便能復刻出相應的音色併合成新語音。此功能的開發使得實時語音助手、直播配音和無障礙閱讀等場景變得更加高效和便捷。

Fun-ASR 模型的能力同樣得到了提升，噪聲環境下的準確率達到了93%。這一模型不僅支持歌詞和說唱的識別，還可以進行多語言自由混說，覆蓋多種中文方言與口音。爲了提升用戶體驗，流式識別的首字延遲已降低至160毫秒，大幅提升了語音交互的流暢性。

此外，這兩款模型均支持本地部署與二次開發，開發者可以根據自己的需求進行定製化調整。開源地址也已公佈，用戶可以前往相關平臺體驗和使用這兩款語音模型，進一步推動語音技術在各個領域的應用。

GitHub:https://github.com/FunAudioLLM/CosyVoice

劃重點:  

🌐 ** 多語言支持 **:三秒錄音即可實現9種語言和18種方言的切換。  

⚙️ ** 技術升級 **:延遲降低50%，準確率提升，使語音交互更加流暢。  

📦 ** 開源開放 **:模型支持本地部署和二次開發，便於個性化應用。