阿里推出国内首个AI语音平台CosyVoice Studio，把语义理解深度融入语音能力

近期，阿里正式推出国内首个AI语音平台CosyVoice Studio，这套全新的语音技术平台跳出了传统语音产品“只能做语音转文字、文字转语音”的单一功能局限，把深度语义理解能力直接和语音生成、语音交互能力做了全链路融合，给各类语音相关的应用场景带来了更自然、更智能的全新交互体验，也为国内大量有语音开发需求的企业提供了一个能力更强、使用更便捷的一站式AI语音开发载体。

很多日常使用智能语音设备的用户都有过类似的糟心体验：对着智能音箱说一句带点口语化的指令，设备要么完全听不懂你在说什么，要么只能生硬地把语音转成文字，根本理解不了你话里的真实意图；很多AI生成的语音听起来特别机械，字和字之间的衔接很生硬，哪怕调整了语速语调，也完全没有真人说话的自然感，听久了很容易产生违和感。过去很多企业想要做定制化的语音交互产品，要分别对接语音识别、语义理解、语音合成好几个不同的技术平台，不同平台之间的适配调试要花大量时间，最后做出来的产品体验也很难做到流畅统一。

阿里这次推出的CosyVoice Studio，就是针对性解决这些长期存在的语音交互痛点打造的全新平台。它最核心的特点，就是把深度语义理解能力直接融入到了语音能力的全流程里，不再把“听声音、转文字、理解意思、生成语音”拆成几个独立的环节。过去传统的语音交互流程，是先把用户说的话转成文字，再把文字传给语义模型做理解，最后再把处理好的结果转成语音，整个链路长，很容易在转换过程中丢失掉用户语气里的情绪、口语化的隐含意图，而CosyVoice Studio可以直接在语音层面就完成语义理解，连用户说话里的停顿、语气、情绪都能精准捕捉到，真正听懂用户口语化表达里的真实需求。

依托这套全新的技术架构，平台生成的AI语音效果也实现了质的升级。它生成的语音不再是过去那种生硬的机械合成音，而是能精准还原真人说话的自然语气、情绪起伏，甚至可以根据对话的场景自动调整说话的节奏和语气，比如给用户做科普讲解的时候语气平缓清晰，和用户闲聊的时候语气轻松活泼，听上去和真人说话几乎没有明显区别。同时平台还支持快速定制专属的语音音色，企业只用提供少量的真人语音素材，就能快速生成和真人音色几乎一模一样的定制语音，不用像过去那样采集十几个小时的语音数据，大幅降低了定制专属语音的门槛。

对于有语音开发需求的企业来说，CosyVoice Studio还提供了非常完整的一站式开发工具链。企业不用再分别对接多个不同的语音技术服务商，只用在这一个平台上，就能完成语音识别、语义交互、定制语音生成、场景化语音应用部署的全流程开发工作。平台还开放了大量现成的场景化语音能力模板，面向智能客服、有声读物制作、语音直播、智能硬件语音交互这些常见场景，都已经提前做好了适配优化，企业开发者只用做少量的参数调整，就能快速上线自己的语音应用，不用从零开始搭建整套语音技术体系，大幅缩短了产品的开发周期。

作为国内首个把语义理解深度融入语音全链路的AI语音平台，CosyVoice Studio的落地，打破了过去国内AI语音产品长期停留在“转文字、转语音”基础功能的行业现状。它把语音交互的体验从“能听懂文字”升级到了“能听懂人”，让智能语音不再是一个冷冰冰的工具，而是能像真人一样和用户自然流畅地对话。目前这套平台已经正式对外开放使用，后续会快速落地到智能家居、智能汽车、消费电子、内容生产等海量场景里，让更多普通用户都能体验到更自然、更智能的AI语音交互体验，推动整个国内AI语音行业的体验升级。

• AI AI 关注

  关注

  92

  文章

  44652

  浏览量

  305226