阿里通義近日在語音技術(shù)領(lǐng)域接連推出多項(xiàng)創(chuàng)新成果，為開發(fā)者與用戶帶來更高效的解決方案。其最新開源的Fun-CosyVoice3-0.5B模型具備突破性的零樣本音色克隆能力，用戶僅需上傳一段時(shí)長超過3秒的音頻樣本，系統(tǒng)即可精準(zhǔn)復(fù)刻該音色并生成全新語音內(nèi)容。該模型支持本地化部署與二次開發(fā)，為個(gè)性化語音應(yīng)用開發(fā)提供了靈活的技術(shù)底座。

在語音識別領(lǐng)域，通義同步推出輕量化模型Fun-ASR-Nano，通過將參數(shù)量壓縮至0.8B級別，顯著降低了推理計(jì)算成本。這款開源模型不僅保持了高精度識別能力，更支持開發(fā)者根據(jù)特定場景需求進(jìn)行定制化微調(diào)，特別適合資源受限設(shè)備部署。經(jīng)測試，該模型在普通消費(fèi)級硬件上即可實(shí)現(xiàn)流暢運(yùn)行。

針對復(fù)雜音頻環(huán)境挑戰(zhàn)，通義對Fun-ASR模型進(jìn)行專項(xiàng)優(yōu)化升級。升級后的版本在噪聲干擾場景下仍能保持93%的準(zhǔn)確識別率，同時(shí)擴(kuò)展了對音樂類內(nèi)容的識別支持，包括歌詞文本轉(zhuǎn)寫和說唱節(jié)奏識別等特殊需求。這項(xiàng)改進(jìn)使得語音識別技術(shù)得以拓展至音樂創(chuàng)作、影視制作等創(chuàng)意產(chǎn)業(yè)領(lǐng)域，為內(nèi)容生產(chǎn)者提供智能化工具支持。