阿里重磅开源 0.5B TTS + 0.8B ASR，支持跨语种音色克隆、说唱识别！

2025年眼看就要接近尾声了，AI 圈的风向也正在悄悄发生变化。

大家不再一味追求千亿参数的「巨无霸」模型，而是开始卷端侧模型。

阿里 FunAudioLLM 团队显然深谙此道。这次他们发布的 Fun-CosyVoice3 0.5B 和 Fun-ASR-Nano 0.8B，简直就是为本地党和开发者量身定制的年终大礼。

TTS、ASR 双线程开源，而且它们不是“实验模型”，而是能直接落地用的工程级版本。

先说结论，这两个模型不是各玩各的，而是明显冲着一个目标去的：

在本地，把“听 + 说”这件事真正跑顺。

Fun-CosyVoice3 0.5B：实时 TTS

先说 TTS，这一版 CosyVoice 的关键词只有一个：

“输入即发声”

核心特点

• • 语言覆盖范围：涵盖 9 种常用语言，18 种以上中文方言/口音。
• • 零样本语音克隆：支持多语言/跨语言零样本语音克隆。
• • 内容一致性和自然性：在内容一致性、说话人相似性和韵律自然性方面达到最先进的性能。
• • 发音修复：支持对汉语拼音和英语 CMU 音素进行发音修复，提供更大的可控性。
• • 文本规范化：无需传统前端模块即可支持读取数字、特殊符号和各种文本格式。
• • 双流传输：支持文本输入流和音频输出流，在保持高质量音频输出的同时，延迟可低至 150 毫秒。
• • 指令支持：支持各种指令，例如语言、方言、情绪、速度、音量等。

升级后模型表现

CosyVoice3 的升级将延迟直接砍半，是真正的“输入即发声”。

具备表现如下：

• • 首包延迟降低 50%
• • WER（词错误率）降低 56.4%
• • 复杂场景字符错误率降低 26%

大白话就是：AI 说话更快、更稳，也更不容易读错。

而且支持双向流式合成：文本一边进，声音一边出，不用等整段文本生成完成。

更狠的是支持跨语种音色复刻。

也就是说：用一段普通话录音，就能生成粤语/日语/英语等语言的同一音色。

Fun-ASR-Nano 0.8B：轻量级 ASR

如果说 TTS 决定「像不像人」，那 ASR 决定的是：你到底能不能听懂人。

Fun-ASR-Nano 是一款基于数千万小时真实语音数据训练的端到端语音识别大模型。它支持低延迟实时转写，并涵盖 31 种语言识别功能。

虽然是 Fun-ASR 的轻量化版本，但这次更新明显不是“阉割版”。

核心特点

• • 远场高噪声识别： 针对远距离拾音及高噪声场景进行深度优化，识别准确率提升至 93%。
• • 中文方言与地方口音：支持 7 大方言：吴语、粤语、闽语、客家话、赣语、湘语、晋语。
• • 覆盖 26 个地区口音：包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西等 20 多个地区。
• • 多语言自由说： 支持 31 种语言识别，重点优化东亚与东南亚语种，支持语种自由切换和混合识别。
• • 音乐背景歌词识别： 强化在音乐背景干扰下的语音识别性能，支持对歌曲中歌词内容的精准识别。

核心升级点

• • 噪声环境下，准确率拉到 93%
• • 首字延迟 160ms
• • 支持了歌词、说唱识别及 31 种语言混说
• • 覆盖了 7 大方言 + 26 种地方口音

这些升级点，不得不说是非常懂中国真实语音环境的。

写在最后

把 Fun-ASR-Nano、Fun-CosyVoice3 放在一起，其实能看出阿里的野心：

不是做 Demo，而是做“语音底座”。

你可以很自然地搭出：本地语音助手、隐私优先的会议系统、实时翻译 + 语音播报、多语言语音 Agent ...

而且全部可私有化部署。

把拟人化语音交互的门槛降到了地板上。无论你是想给自己做一个语音工具，还是想为公司产品增加语音能力，这套开源方案都是目前性价比最高、功能最全的选择之一。

特别是那个零样本跨语种克隆和说唱识别，真的建议大家部署下来玩一玩，绝对会让你惊掉下巴。