Fun-CosyVoice3.5是阿里通义实验室语音团队全新推出的新一代语音生成模型，模型首创FreeStyle口语化指令控制，无需专业参数，只需用自然语言描述即可精准调节语气、语速、语调、情绪；同时支持13种语言，发音准确率与生成延迟全面优化，是面向实时交互、内容创作、多语言出海的工业化级语音方案。
Qwen3-TTS是Qwen开源的系列语音生成模型，该模型基于自研的Qwen3-TTS-Tokenizer-12Hz多码本语音编码器，搭配Dual-Track双轨建模技术，实现高效语音压缩与极速生成；支持10种主流语言及多种方言，具备智能文本语义理解能力，可自适应调控语音的语气、节奏与情感。
VoxCPM支持零样本声音克隆，仅需一段参考音频，即可精准复刻说话者的音色、口音、情感语调等细微特征，生成高度逼真的个性化语音。其推理效率同样表现卓越，在NVIDIA RTX 4090 GPU上实时因子（RTF）低至0.17，完美满足实时交互场景需求。
