阿里通义实验室语音团队发布了两款支持FreeStyle指令生成的模型Fun-CosyVoice3.5与Fun-AudioGen-VD。这两款模型均能通过自然语言指令控制语音生成，但应用方向不同。
Fun-CosyVoice3.5支持FreeStyle指令控制，用户可以用自然语言描述表达方式，例如：“语气坚定一点”、“稍微压低音调，语速慢一点”、“带一点情绪起伏”。该模型新增了对泰语、印尼语、葡萄牙语和越南语的支持，并在13种语言的WER和SpkSim客观指标上保持领先。针对生僻字和复杂语句等容易读错的场景进行了专项优化，生僻字读错率从15.2%降至5.3%，长文本朗读更加稳定流畅。此外，Fun-CosyVoice3.5通过强化学习技术专项调优，使整体听感更加自然，表达更有层次。性能方面，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则可以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。它支持性别、年龄、口音、音高、语速等基础属性，以及沙哑、清亮、低沉、磁性等音质特征。情绪表达包括愤怒、悲伤、兴奋、坚定等。角色模拟涵盖客服、老兵、孩童、AI、播音员等多种角色。此外，Fun-AudioGen-VD还能生成细腻的心理状态表达。这款模型不仅能生成声音，还能生成声音所处的“世界”，打造沉浸式听觉场景。背景环境音可以叠加城市喧嚣、咖啡馆背景、战场轰鸣等；空间混响效果可以模拟大教堂、金属牢房、水下等空间回声；设备听感滤镜可以还原老式广播、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。