智通財經APP獲悉，12月15日，“通義大模型”微信公眾號發文表示，通義百聆語音模型再升級，本次發布包括：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-CosyVoice3(0.5B)正式開源，該版本提供了zero-shot音色克隆能力，只需要提供一段3秒以上的參考音頻，即可復刻其音色并合成新語音，并且支持本地部署和二次開發。此外，通義推出輕量化版本Fun-ASR-Nano模型，總參數量壓縮到0.8B，推理成本更低，現已開源，支持本地部署與定制化微調。

通義團隊稱，本次Fun-CosyVoice3大模型完成多項關鍵升級：

首包延遲降低50%，支持雙向流式合成，真正實現“輸入即發聲”，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%，不論是含專業術語、大小寫混排，還是語碼轉換的句子，都能精準、自然地發音；

在 zero-shot TTS評測中，內容一致性與音色相似度全面提升，復雜場景(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。

Fun-ASR模型能力同樣得到了增強。作為通義百聆推出的端到端語音識別大模型，Fun-ASR 基于數千萬小時真實語音數據訓練，已在釘釘“AI聽記”、視頻會議等場景中大規模落地。本次，通義對 Fun-ASR 的核心能力進行了全面升級，重點優化了嘈雜環境魯棒性、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。