12月15日，“通义大模型”微信公众号发文表示，通义百聆语音模型再升级，本次发布包括：Fun-CosyVoice3模型升级，首包延迟降低50%，中英混字准确率翻倍，支持9语种 18方言口音、跨语种克隆与情感控制；Fun-CosyVoice3(0.5B)正式开源，该版本提供了zero-shot音色克隆能力，只需要提供一段3秒以上的参考音频，即可复刻其音色并合成新语音，并且支持本地部署和二次开发。此外，通义推出轻量化版本Fun-ASR-Nano模型，总参数量压缩到0.8B，推理成本更低，现已开源，支持本地部署与定制化微调。

通义团队称，本次Fun-CosyVoice3大模型完成多项关键升级：

首包延迟降低50%，支持双向流式合成，真正实现“输入即发声”，适用于语音助手、直播配音、无障碍阅读等实时场景；

中英混说词错误率(WER)相比之前降低 56.4%，不论是含专业术语、大小写混排，还是语码转换的句子，都能精准、自然地发音；

在 zero-shot TTS评测中，内容一致性与音色相似度全面提升，复杂场景(test-hard)字符错误率(CER)相对降低 26%，接近人类录音水平；

9种通用语言、18种中文方言、9种情感控制，并具备跨语种音色复刻能力——用一段普通话录音，即可生成粤语、日语、英语等语音，音色保持高度一致。

Fun-ASR模型能力同样得到了增强。作为通义百聆推出的端到端语音识别大模型，Fun-ASR 基于数千万小时真实语音数据训练，已在钉钉“AI听记”、视频会议等场景中大规模落地。本次，通义对 Fun-ASR 的核心能力进行了全面升级，重点优化了嘈杂环境鲁棒性、多语言自由混说、中文方言与口音覆盖、歌词识别、定制化能力，并将流式识别模型的首字降低到160ms。