CosyVoice是由FunAudioLLM團隊開發的多語言大型語音生成模型，基於Apache-2.0許可證開源，提供從推理到訓練再到部署的全棧語音合成能力。
該模型支持中英日韓等9種語言及18種中文方言，具備3秒音頻零樣本語音克隆功能，支持跨語言音色復刻與情感控制，實時流式推理延遲低至150毫秒。
2025年阿里通義百聆推出Fun-CosyVoice3-0.5B升級版本，首包延遲降低50%，中英混字錯誤率減少56.4%，支持粵語等方言，模型參數規模達0.5B。
CosyVoice 2是由阿里巴巴集團的SpeechLab@Tongyi團隊開發的語音合成模型。它基於監督離散語音標記，結合語言模型（LMs）和流匹配，實現高自然度、內容一致性和說話人相似性的語音合成。該模型支持超低延遲流式合成（首包延遲150ms）、零樣本語音克隆（3秒樣本克隆目標音色）、多語言跨語言支持（支持10+語言混合生成）、...
Fun-CosyVoice3-0.5B是阿里通義於2025年12月15日宣布開源的語音模型。該模型參數量為0.5B，具備zero-shot音色克隆能力，用戶通過輸入3秒以上的參考音頻即可復刻音色並生成新語音。該版本是Fun-CosyVoice 3.0的輕量化模型，支持9種通用語言和18種中文方言，並具備跨語種音色復刻與情感控制能力。其首包延遲降低50%...
Fun-CosyVoice3.5是通義實驗室於2026年3月2日發布的語音生成模型，支持FreeStyle自然語言指令控制語音生成，擺脫傳統預設標籤限制。該模型新增泰語、印尼語等4種語言支持，覆蓋13種語言；生僻字讀錯率從15.2%降至5.3%，首包延遲降低35%。在Seed-TTS基準測試中詞錯誤率(WER)和說話人相似度(SSIM)均為最佳。Fun-...
