阿里旗下通义百聆团队近日在语音技术领域取得重要进展，正式开源两款轻量化语音模型。其中Fun-CosyVoice（0.5B版本）凭借其突破性的音色克隆能力引发关注，该模型仅需用户提供3秒语音样本，即可实现跨语言、跨方言的语音合成，同时支持情绪风格的动态调整。这项技术突破使得语音克隆不再受限于特定语种或表达方式，为个性化语音交互开辟了新路径。
在技术实现层面，Fun-CosyVoice通过创新的零样本学习框架，将传统语音克隆所需的庞大训练数据压缩至极简。开发者介绍称，该模型在保持高保真度的同时，将参数量控制在0.5B级别，显著降低了硬件部署门槛。更值得关注的是，模型支持完全本地化运行，用户无需依赖云端服务即可完成语音克隆与合成，这在隐私保护要求严格的场景中具有重要应用价值。
同步开源的Fun-ASR轻量化版本则聚焦语音识别优化，通过参数压缩技术将模型规模缩减至0.8B。测试数据显示，新版本在保持识别准确率的前提下，推理速度提升40%，硬件资源消耗降低65%。该模型同样支持本地部署与定制化微调，企业用户可根据特定场景需求，快速训练出行业专属的语音识别系统。
技术社区对这两款开源模型反响热烈。多位独立开发者在实测后表示，Fun-CosyVoice的跨语言能力突破了传统语音克隆的技术边界，其支持的方言种类超过20种，情绪表达维度达12类。而Fun-ASR的轻量化设计则解决了边缘设备部署的痛点，在智能车载、物联网设备等场景具有直接应用价值。目前两个项目已在开源平台完整公开代码与训练框架，配套提供详细的技术文档与开发指南。
