8月7日消息,阿里巴巴正式推出 CosyVoice Studio,一个面向企业、开发者和个人用户的一站式 AI 语音生产力平台,被多家媒体称为国内首个此类平台。该平台基于阿里自研语音模型 Qwen-Audio 打造,后者在 AI 评测平台 Artificial Analysis 上获得语音识别(ASR)、实时交互(RealTime)和语音合成(TTS)三个赛道的全球第一。平台整合语音记录、语音智能体和音频内容创作三类能力,个人端 App 已上线四大平台并限时免费,企业端支持先体验再按需调用 API。
语音记录:转写叠加语义理解
语音记录功能(CosyFlow)在语音转文字的基础上叠加了语义理解与文本生成。日常口述场景中,系统自动过滤"那个""嗯"等口语填充词,把零散想法整理成结构清晰的表达;工作场景中,口述即可生成邮件、工作汇报、会议纪要等格式的文本。
内置"随记"功能面向会议、访谈、课堂等场景,支持实时录制与离线上传,根据声纹区分不同发言人,录音结束后自动生成结构化章节和智能摘要。这一能力已在 iOS 端 CosyVoice App 中上线,该 App 由阿里旗下通义云启(杭州)信息技术有限公司开发,App Store 版本记录显示"随记"于近期版本新增。
语音智能体与音频创作
语音智能体功能(CosyAgent)支持通过自然语言快速创建具备企业知识、工具调用和实时语音交互能力的智能体,兼容 Prompt 与 Workflow 配置,面向智能客服、电话营销等场景。音频内容创作功能(CosyCreative)内置上千种音色并支持声音复刻,用户上传文档、网页链接或输入文字,即可生成对话播客或多角色有声书,覆盖音频内容创作全链路。
按官方安排,CosyAgent 与 CosyCreative 目前以白名单邀请制面向企业用户测试,近期将全面开放。平台已实现多语种支持与跨设备兼容,个人用户可直接使用完整功能套件。
从模型接口到产品工作台
CosyVoice Studio 的关键变化,是把阿里的语音能力第一次以聚合产品形态对外开放。过去企业使用语音 AI,往往需要分别接入 ASR、TTS、声音复刻、文本理解和对话系统;一站式平台如果能把能力打通,会显著降低开发和内容生产门槛。更关键的是语义理解被融入语音能力:语音输入不只是声音转文字,语音生成也不只是把文字念出来,而是理解意图、整理结构、控制语气、适配角色,并在实时对话中保持上下文稳定。
即日起,用户可在 iOS、Android、Mac 和 Windows 应用商店搜索"CosyVoice"下载,限时免费体验。对企业用户,平台提供"体验—调用"双模式:先在平台上可视化体验效果,再按需调用 API 接入。
语音平台的商业化仍面临可控性、版权与授权、声音仿冒风险、隐私合规和调用成本等挑战。CosyVoice Studio 要成为真正的生产力平台,需要在"说得像"之外,证明自己"说得准、说得稳、说得合规"。