IT之家 3 月 2 日消息 ，句话即阿里通义实验室语音团队今日发布了两款支持 FreeStyle 指令生成的自由模型 Fun-CosyVoice3.5 与 Fun-AudioGen-VD 。
官方宣称 ，生成双模支付宝小程序开发无论是阿里精细控制声音表达 ，还是通义从零设计音色与场景，都可以通过自然语言指令直接生成 。语音两款模型均支持通过自然语言指令控制语音生成 ，发布但应用方向不同 ：
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
该模型支持 FreeStyle 指令控制 ，句话即CosyVoice3.5 在 Instruct-TTS 方向实现能力升级 ，自由支持 FreeStyle 指令控制生成效果 ，生成双模一句话自由生成语音 。阿里
用户可以直接用自然语言描述表达方式 ，通义例如：“语气坚定一点” 、语音“稍微压低音调 ，发布语速慢一点” 、句话即支付宝小程序开发“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 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 ：
https://help.aliyun.com/zh/model-studio/text-to-speech?spm=a2c4g.11186623.help-menu-2400256.d_0_3_2_0.d5536a31V2tEJP
