阿里旗下通義百聆團隊近日在語音技術領域取得重要進展，正式開源兩款輕量化語音模型。其中Fun-CosyVoice（0.5B版本）憑借其突破性的音色克隆能力引發關注，該模型僅需用戶提供3秒語音樣本，即可實現跨語言、跨方言的語音合成，同時支持情緒風格的動態調整。這項技術突破使得語音克隆不再受限于特定語種或表達方式，為個性化語音交互開辟了新路徑。
在技術實現層面，Fun-CosyVoice通過創新的零樣本學習框架，將傳統語音克隆所需的龐大訓練數據壓縮至極簡。開發者介紹稱，該模型在保持高保真度的同時，將參數量控制在0.5B級別，顯著降低了硬件部署門檻。更值得關注的是，模型支持完全本地化運行，用戶無需依賴云端服務即可完成語音克隆與合成，這在隱私保護要求嚴格的場景中具有重要應用價值。
同步開源的Fun-ASR輕量化版本則聚焦語音識別優化，通過參數壓縮技術將模型規模縮減至0.8B。測試數據顯示，新版本在保持識別準確率的前提下，推理速度提升40%，硬件資源消耗降低65%。該模型同樣支持本地部署與定制化微調，企業用戶可根據特定場景需求，快速訓練出行業專屬的語音識別系統。
技術社區對這兩款開源模型反響熱烈。多位獨立開發者在實測后表示，Fun-CosyVoice的跨語言能力突破了傳統語音克隆的技術邊界，其支持的方言種類超過20種，情緒表達維度達12類。而Fun-ASR的輕量化設計則解決了邊緣設備部署的痛點，在智能車載、物聯網設備等場景具有直接應用價值。目前兩個項目已在開源平臺完整公開代碼與訓練框架，配套提供詳細的技術文檔與開發指南。
