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；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。

IT之家從官方獲悉，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。

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，即可復刻其音色并合成新語音，并且支持本地部署和二次開發。

Fun-ASR 號稱能讓 AI “聽得懂”。其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。官方表示，該模型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。

Fun-CosyVoice3-0.5B 開源地址：

https://github.com/FunAudioLLM/CosyVoice（GitHub）https://funaudiollm.github.io/cosyvoice3/（GitHub.io）https://www.modelscope.cn/studios/FunAudioLLM/Fun-CosyVoice3-0.5B（體驗 demo）https://modelscope.cn/models/FunAudioLLM/Fun-CosyVoice3-0.5B-2512（國內模型倉庫）https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512（海外模型倉庫）

Fun-ASR-Nano-0.8B 開源地址：

https://github.com/FunAudioLLM/Fun-ASR（GitHub）https://funaudiollm.github.io/funasr/（GitHub.io）https://modelscope.cn/studios/FunAudioLLM/Fun-ASR-Nano/（國內體驗 demo）https://huggingface.co/spaces/FunAudioLLM/Fun-ASR-Nano（海外體驗 demo）https://modelscope.cn/models/FunAudioLLM/fun-asr-nano-2512（國內模型倉庫）https://huggingface.co/FunAudioLLM/Fun-ASR-Nano-2512（海外模型倉庫）