IT 之家 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：