阿里巴巴通义实验室语音团队宣布，其开源的语音生成大模型CosyVoice已升级至2.0版本，这一升级标志着语音生成技术在准确性、稳定性和自然体验方面的显著进步。CosyVoice2.0通过采用离线和流式一体化建模的语音生成大模型技术，实现了双向流式语音合成，首包合成延迟可达到150ms，显著提升了语音合成的响应速度。

阿里巴巴最新推出的CosyVoice语音合成模型和SenseVoice语音识别模型，共同构成了FunAudioLLM框架，旨在提升人机交互体验。CosyVoice以其逼真的声音生成能力，能模仿不同性别、年龄和个性的声音，添加情感和风格，甚至模拟自然特征如笑声、咳嗽和呼吸。SenseVoice则专注于高精度的多语言语音识别、情感识别和音频事件检测，支持超过50种语言，反应速度快。FunAudioLLM的语音到语音翻译功能实现了快速而准确的跨语言交流，同时，它在情感交互方面的表现也极为出色，能根据用户情绪做出恰当的回应。对于文学爱好者，FunAudioLLM的有声书制作技术能提供富有表现力的朗读体验。这些技术突破预示着人机交互的未来将更加自然、人性化，为教育、娱乐、客户服务等领域带来革命性变化。