阿里通义实验室语音团队发布了两款支持FreeStyle指令生成的语音模型Fun-CosyVoice3.5和Fun-AudioGen-VD，分别用于多语种复刻与精细化表达控制以及声音设计与场景化音频生成。两款模型均支持通过自然语言指令直接生成语音或音频场景，提升了语音生成的自然度和场景化能力。
3 月 2 日消息，阿里通义实验室语音团队今日发布了两款支持 FreeStyle 指令生成的模型 Fun-CosyVoice3.5 与 Fun-AudioGen-VD。
官方宣称，无论是精细控制声音表达，还是从零设计音色与场景，都可以通过自然语言指令直接生成。两款模型均支持通过自然语言指令控制语音生成，但应用方向不同：
- Fun-CosyVoice3.5：多语种复刻 + 精细化表达控制
- Fun-AudioGen-VD：声音设计 + 场景化音频生成
Fun-CosyVoice3.5
该模型支持 FreeStyle 指令控制，CosyVoice3.5 在 Instruct-TTS 方向实现能力升级，支持 FreeStyle 指令控制生成效果，一句话自由生成语音。
用户可以直接用自然语言描述表达方式，例如：“语气坚定一点”、“稍微压低音调，语速慢一点”、“带一点情绪起伏”...... 模型即可理解并生成相应表达。
Fun-CosyVoice3.5 新增支持泰语、印尼语、葡萄牙语、越南语。同时在 13 种语言的 WER 和 SpkSim 客观指标上保持“业内领先”。
针对生僻字、复杂语句等容易读错的场景专项优化，Fun-CosyVoice3.5 生僻字读错率从 15.2% 降至 5.3%，复杂文本表现更加稳定，长文本朗读也更稳定流畅。
此外，Fun-CosyVoice3.5 通过强化学习技术专项调优，双重提升听感，使整体听感更加自然，表达更有层次。性能方面，Fun-CosyVoice3.5 的 Tokenizer 帧率减半，首包延迟降低 35%，在实时交互场景下响应更快，体验更流畅。
Fun-AudioGen-VD
Fun-AudioGen-VD 支持根据自然语言描述，生成目标音色、情绪表达和完整听觉场景，实现“人物 + 场景”的一体化声音生成。
- 基础属性：性别、年龄、口音、音高、语速
- 音质特征：沙哑、清亮、低沉、磁性......
- 情绪表达：愤怒、悲伤、兴奋、坚定......
- 角色模拟：客服、老兵、孩童、AI、播音员......
- 复杂心理：支持细腻状态表达（如“表面镇定但内心颤抖”）
Fun-AudioGen-VD 不仅能生成声音，还能生成声音所处的“世界”，打造沉浸式听觉场景。
- 背景环境音：叠加城市喧嚣、咖啡馆背景、战场轰鸣等环境音；
- 空间混响效果：模拟大教堂、金属牢房、水下等空间回声；
- 设备听感滤镜：还原老式广播、对讲机、呼吸面罩等特殊音质；
- 动态环境互动：支持风噪断续、回声变化、嘶哑效果等实时互动。
IT之家附两款模型 API 调用官网如下：