IT之家 12 月 15 日消息，今天下午，通義大模型通過官方公眾號宣布，兩款“百聆”語音模型正式開源，兩款模型迎來升級。根據(jù)介紹，其只需 3 秒錄音，就能讓你的聲音無縫切換語種、方言與情緒 —— 普通話、粵語、日、英、開心、憤怒……9 種通用語言、18 種方言，通通搞定。

　　升級

　　Fun-CosyVoice3 模型升級：首包延遲降低 50%，中英混字準確率翻倍，支持 9 語種 18 方言口音、跨語種克隆與情感控制；

　　Fun-ASR 模型能力增強：噪聲場景準確率 93%、支持歌詞與說唱識別、31 語種自由混說、方言口音覆蓋，并將流式識別模型的首字降低到 160ms。

　　開源

　　Fun-CosyVoice3（0.5B）開源：提供 zero-shot 音色克隆能力，支持本地部署與二次開發(fā)；

　　Fun-ASR-Nano（0.8B）開源：Fun-ASR 的輕量化版本，推理成本更低，模型開源，支持本地部署與定制化微調(diào)。

　　IT之家從官方獲悉，本次，F(xiàn)un-CosyVoice3 大模型完成多項關(guān)鍵升級：

　　首包延遲降低 50%，支持雙向流式合成，真正實現(xiàn)“輸入即發(fā)聲”，適用于語音助手、直播配音、無障礙閱讀等實時場景；

　　中英混說詞錯誤率（WER）相比之前降低 56.4%，不論是含專業(yè)術(shù)語、大小寫混排，還是語碼轉(zhuǎn)換的句子，都能精準、自然地發(fā)音；

　　在 zero-shot TTS 評測中，內(nèi)容一致性與音色相似度全面提升，復(fù)雜場景（test-hard）字符錯誤率（CER）相對降低 26%，接近人類錄音水平；

　　9 種通用語言、18 種中文方言、9 種情感控制，并具備跨語種音色復(fù)刻能力 —— 用一段普通話錄音，即可生成粵語、日語、英語等語音，音色保持高度一致。

　　而開源的 Fun-CosyVoice3-0.5B 模型提供了 zero-shot 音色克隆能力，只需要你提供一段 3 秒以上的參考音頻，即可復(fù)刻其音色并合成新語音，并且支持本地部署和二次開發(fā)。

　　Fun-ASR 號稱能讓 AI “聽得懂”。其基于數(shù)千萬小時真實語音數(shù)據(jù)訓(xùn)練，已在釘釘“AI 聽記”、視頻會議等場景中大規(guī)模落地。官方表示，該模型重點優(yōu)化了嘈雜環(huán)境魯棒性、多語言自由混說、中文方言與口音覆蓋、歌詞識別、定制化能力，并將流式識別模型的首字降低到 160ms。