阿里巴巴通义大模型近日宣布，其”百聆”系列语音模型完成重大升级并正式开源。此次发布的两款新型语音模型突破性实现了仅需3秒录音即可无缝切换9种语言和18种方言，涵盖普通话、粤语、日语、英语等，还能模拟开心、愤怒等多种情感语音，为全球语音交互技术树立新标杆。
在技术层面，Fun-CosyVoice3模型通过算法优化将首包延迟降低50%，中英混合语音识别准确率显著提升。其创新的音色克隆功能允许用户通过3秒录音复刻特定人声，并生成自然流畅的新语音，该技术将大幅优化实时语音助手、直播配音和无障碍阅读等场景的体验。同步升级的Fun-ASR模型在噪声环境下识别准确率高达93%，支持歌词、说唱识别及多语言自由混说，流式识别首字延迟更压缩至160毫秒，使语音交互流畅度达到新高度。
此次开源的两款模型均支持本地化部署与二次开发，开发者可通过官方公布的开源代码进行定制化调整。阿里巴巴表示，该技术将推动语音技术在智能客服、教育娱乐、医疗辅助等多元场景的应用创新，其开源策略也有助于构建更开放的语音技术开发生态。随着多语言、多情感语音合成技术的成熟，人机交互的自然度和包容性将迎来跨越式发展。
原创文章，作者：AI，如若转载，请注明出处：https://www.kejixun.co/article/741125.html
