转自 通义大模型
只需3秒录音，就能让你的声音无缝切换语种、方言与情绪——中、粤、日、英、开心、愤怒......9 种通用语言、18种方言，通通搞定！
一段嘈杂环境下的会议录音，AI 也能毫秒级输出文字，绕口令、RAP、背景音乐干扰，照样精准识别！
通义百聆再升级！本次发布包括：
1、Fun-CosyVoice3 模型升级：首包延迟降低 50%，中英混字准确率翻倍，支持 9 语种 18 方言口音、跨语种克隆与情感控制；
2、Fun-CosyVoice3（0.5B）正式开源：提供 zero-shot 音色克隆能力，支持本地部署与二次开发；
3、Fun-ASR 模型能力增强：噪声场景准确率 93%、支持歌词与说唱识别、31 语种自由混说、方言口音覆盖，并将流式识别模型的首字降低到 160ms。
4、Fun-ASR-Nano（0.8B）开源：Fun-ASR 的轻量化版本，推理成本更低，模型开源，支持本地部署与定制化微调。
模型能力全面升级
在9月份发布的CosyVoice3 版本，展示了模型如何通过 3 秒音频，实现跨语言、多情感、多方言的高保真音色复刻。
本次，Fun-CosyVoice3 大模型完成多项关键升级：
- 首包延迟降低 50%，支持双向流式合成，真正实现“输入即发声”，适用于语音助手、直播配音、无障碍阅读等实时场景；
- 中英混说词错误率（WER）相比之前降低 56.4%，不论是含专业术语、大小写混排，还是语码转换的句子，都能精准、自然地发音；
- 在 zero-shot TTS 评测中，内容一致性与音色相似度全面提升，复杂场景（test-hard）字符错误率（CER）相对降低 26%，接近人类录音水平；
- 9 种通用语言、18 种中文方言、9 种情感控制，并具备跨语种音色复刻能力——用一段普通话录音，即可生成粤语、日语、英语等语音，音色保持高度一致。
🌈 案例展示1：中英混说，精准发音
Fun-CosyVoice3合成：上面的oversize的衣服就不要选择这么大，你可以稍微再缩小一点点版型。
🌈 案例展示2：跨语种音色复刻能力
🌈 案例展示3：韵律提升，音色复刻
🌈 案例展示4：不同语境下，多音字也能精准合成
Fun-CosyVoice3合成：他把数据输入电脑，开始数数。
模型体验地址
阿里云百炼
Fun-CosyVoice3-0.5B 正式开源
除了 Fun-CosyVoice3 在模型能力上的全面升级，我们还同步开源了Fun-CosyVoice3-0.5B，该版本提供了 zero-shot 音色克隆能力，只需要你提供一段 3 秒以上的参考音频，即可复刻其音色并合成新语音，并且支持本地部署和二次开发。
在zero-shot 语音合成评测中，Fun-CosyVoice3-0.5B 表现优秀，在各个指标上优于主流TTS模型：
开源地址
魔搭、HuggingFace、GitHub
https://github.com/FunAudioLLM/CosyVoice（GitHub）
https://funaudiollm.github.io/cosyvoice3/（GitHub.io）
https://www.modelscope.cn/studios/FunAudioLLM/Fun-CosyVoice3-0.5B（体验demo）
https://modelscope.cn/models/FunAudioLLM/Fun-CosyVoice3-0.5B-2512（国内模型仓库）
https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512（海外模型仓库）
模型能力全面升级
如果 CosyVoice3 让 AI “会说话”，那 Fun-ASR 就是让 AI “听得懂”。
作为通义百聆推出的端到端语音识别大模型，Fun-ASR 基于数千万小时真实语音数据训练，已在钉钉“AI听记”、视频会议等场景中大规模落地。本次，我们对 Fun-ASR 的核心能力进行了全面升级，重点优化了嘈杂环境鲁棒性、多语言自由混说、中文方言与口音覆盖、歌词识别、定制化能力，并将流式识别模型的首字降低到 160ms。
在远场拾音或高噪声环境（如会议室、地铁、车载）中，Fun-ASR 的识别准确率可达到 93%。新增对歌曲与说唱的识别能力，优化音乐背景噪声干扰下的语音识别能力，提高模型的抗噪能力。
🌈 案例展示5：嘈杂环境语音识别——室外环境
Fun-ASR 识别：然后被冠以了渣男线的称号，好了，不管这个，那么前方即将到达沈杜公路站，左边是8号线。
Fun-ASR 全面支持 31 种语言的自由混说，无需预先指定语种，系统可自动切换识别，重点优化了日语、越南语等东亚与东南亚语种，并能准确处理语种混说类句子。在中文方面，模型覆盖 7 大方言（粤语、吴语、闽南语、客家话、赣语、湘语、晋语）与 26 种地方口音，从东北话到港台腔，从四川话到河南腔，都能精准识别。
🌈 案例展示6：多语言语音识别--日语+英语
Fun-ASR 识别：このカフェのwi-fiがアン ステーブル 過ぎて、google meetでディスコネクトされて クライエントに悪い印象を与えてしまった。
🌈 案例展示7：方言与口音覆盖--粤语
Fun-ASR 识别：佢最想要有露台，佢想感受那个国家嘅生气，以佢280000呢个预算有少少难度，佢可能要做少少妥协不过我会尽力帮佢揾到佢想要嘅单位。
针对企业级定制需求，Fun-ASR 引入了 RAG（检索增强生成）机制，将定制热词上限从 1000 条提升至 10000 条，且不牺牲通用识别准确率。这意味着金融、医疗、教育等领域的专业术语、品牌名、人名，均可被高召回、高精度识别，满足工业级落地要求。
模型体验地址
阿里云百炼
Fun-ASR-Nano-0.8B 正式开源
此外，我们全新推出轻量化版本 Fun-ASR-Nano 模型，总参数量压缩到 0.8B，推理成本更低，现已开源，欢迎体验！
开源地址
魔搭、HuggingFace、GitHub
https://github.com/FunAudioLLM/Fun-ASR（GitHub）
https://funaudiollm.github.io/funasr/（GitHub.io）
https://modelscope.cn/studios/FunAudioLLM/Fun-ASR-Nano/（国内体验demo）
https://huggingface.co/spaces/FunAudioLLM/Fun-ASR-Nano（海外体验demo）
https://modelscope.cn/models/FunAudioLLM/fun-asr-nano-2512（国内模型仓库）
https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512（海外模型仓库）
💬 互动
在模型使用过程中遇到了哪些问题？有什么优化建议？或者希望未来增加哪些功能？欢迎评论区反馈，优质建议将有机会获得通义定制咖啡杯（长期有效）！如果你希望深度交流，也欢迎扫码进入钉钉群～
