ITCOW牛新网 3月2日消息，阿里通义实验室语音团队今日发布两款支持“FreeStyle”指令生成的语音大模型：Fun-CosyVoice3.5 与 Fun-AudioGen-VD。这两款模型打破了传统语音生成对预设标签的依赖，实现了通过自然语言指令进行多语种复刻、精细化表达控制以及场景化音频生成。
据ITCOW牛新网了解，Fun-CosyVoice3.5 主打多语种复刻与精细化表达控制。该模型支持 FreeStyle 指令控制，用户可以通过自然语言描述（例如“语气坚定一点”、“稍微压低音调，语速慢一点”）来生成所需的语音风格，不再受限于固定的情绪或语气选项。此外，该模型新增了泰语、印尼语、葡萄牙语、越南语支持，覆盖13种语言，生僻字读错率从15.2%降至5.3%，首包延迟降低35%，实时交互响应更快。
Fun-AudioGen-VD 则专注于声音设计与场景化建模。该模型支持通过指令精确控制性别、年龄、情绪及空间声学效果，能够模拟从“疯狂反派”到“热闹咖啡馆”等复杂的角色与背景音一体化场景。它不仅支持生成“表面镇定但内心颤抖”的复杂心理状态语音，还能叠加背景环境音、空间混响、设备滤镜，打造沉浸式听觉场景。
这两款模型的发布标志着语音生成技术从依赖预设标签的传统范式，向基于自然语言指令自由控制的新范式跨越，将直接赋能影视、游戏及AI智能体等领域。