阿里巴巴將語音辨識、克隆與AI代理整合為一款免費應用程式

新聞摘要

阿里巴巴推出CosyVoice Studio，號稱是中國首款一站式AI語音生產力平台，自2026年8月7日中午12:00（中國標準時間）起，在iOS、Android、Mac與Windows平台上開放免費試用。該平台基於公司自主研發的Qwen-Audio語音模型，將語音辨識、語音合成與即時語音互動整合為單一工具組，目標用戶涵蓋一般使用者與企業開發者。阿里巴巴表示，其底層模型在國際基準測試排行榜上，於三項獨立語音指標中均位居榜首。

CosyVoice Studio包含哪些功能

該平台圍繞三大元件建構。CosyFlow是一款語音轉文字錄音工具，功能超越基本轉錄：它能自動過濾「嗯」和「那個」等填充詞，並將雜亂的口語輸入重新整理為清晰、結構化的文字，包括自動生成的電子郵件、會議紀要與報告。CosyAgent讓企業能快速建構具備公司特定知識與外部工具整合能力的語音驅動AI代理，主要應用於客戶服務與外呼電話場景。CosyCreative則是一個音訊內容創作模組，提供大量合成語音庫與語音克隆工具，讓使用者能將上傳的文件或文字轉換為對話式播客或多角色有聲書。

基準測試宣稱

阿里巴巴的通義實驗室表示，支撐該平台的Qwen-Audio-3.0-Realtime模型在國際AI基準測試排行榜上，於語音對語音指數（Speech-to-Speech Index）獲得84.1%的分數，公司稱此為全球首例。阿里巴巴進一步指出，該模型在語音推理、代理任務表現與對話回應速度三項子指標上均排名世界第一。這些數據來自阿里巴巴自身的公告；本報告審查的來源資料中，並未提供對基準測試方法的獨立驗證。

取得方式與推出進程

在目前的促銷期間，消費者可直接從主要應用程式商店免費下載CosyVoice應用程式。CosyAgent與CosyCreative這兩個面向企業的工具，目前僅限於邀請制的白名單進行商業測試，阿里巴巴表示後續將規劃更廣泛的公開推出。該平台支援雙模式設定：企業客戶可在投入API整合前，先透過視覺化介面評估效能；個人使用者則可立即使用完整功能。阿里巴巴表示，底層技術設計為支援多種語言與裝置類型，包括智慧終端與車載系統。

重要性何在

此次推出反映大型科技公司更廣泛的趨勢，即將語音視為AI產品的主要介面，從文字聊天轉向口語互動，應用於筆記、客戶互動與內容製作。透過將辨識、合成與即時對話整合為一款面向消費者的應用程式，同時提供企業API，阿里巴巴正將CosyVoice Studio定位為同時爭取個人生產力使用者與建構語音應用程式的企業客戶，而這正是2026年多家國際AI實驗室也大力投資的領域。