阿里巴巴将语音识别、克隆与AI智能体整合进一款免费应用

新闻摘要

阿里巴巴推出了CosyVoice Studio，号称是中国首个一站式AI语音生产力平台，自2026年8月7日北京时间中午12点起，在iOS、Android、Mac和Windows上开放免费试用。该平台基于公司自主研发的Qwen-Audio语音模型，将语音识别、语音合成和实时语音交互整合到一个工具包中，面向普通用户和企业开发者。阿里巴巴表示，其底层模型已在国际基准测试排行榜上三项语音指标中均位列第一。

CosyVoice Studio包含哪些功能

该平台围绕三个组件构建。CosyFlow是一款语音转文字记录工具，超越了基本的转写功能：它能自动过滤“嗯”“那个”等填充词，并将杂乱的口语输入重新组织成清晰、结构化的文本，包括自动生成邮件、会议纪要和报告。CosyAgent让企业能够快速构建具备公司特定知识和外部工具集成的语音驱动AI智能体，主要面向客户服务和外呼场景。CosyCreative是一个音频内容创作模块，提供大量合成语音库和语音克隆工具，让用户将上传的文档或文本转化为对话式播客或多角色有声书。

基准测试声明

阿里巴巴的通义实验室表示，支撑该平台的Qwen-Audio-3.0-Realtime模型在国际AI基准测试排行榜上取得了84.1%的语音到语音指数得分，公司称这是全球首次。阿里巴巴进一步表示，该模型在语音推理、智能体任务性能和对话响应性三个子指标上均排名全球第一。这些数据来自阿里巴巴自己的公告；本报告所审查的资料来源中，没有对基准测试方法进行独立验证。

访问与推广

在当前的促销期内，消费者可以直接从主要应用商店免费下载CosyVoice应用。面向企业的两个工具CosyAgent和CosyCreative目前仅限于邀请制白名单进行商业测试，阿里巴巴表示计划随后进行更广泛的公开推广。该平台支持双模式设置：企业客户可以在承诺API集成之前通过可视化界面评估性能，而个人用户则可以立即获得全部功能。阿里巴巴表示，底层技术旨在支持多种语言和设备类型，包括智能终端和车载系统。

重要性

此次发布反映了大型科技公司更广泛的趋势，即将语音视为AI产品的主要界面，从基于文本的聊天转向语音交互，用于笔记、客户互动和内容生产。通过将识别、合成和实时对话整合到一个面向消费者的应用中，同时提供企业API，阿里巴巴正将CosyVoice Studio定位为同时争夺个人生产力用户和构建语音应用的企业客户，而这一领域在2026年也吸引了多家国际AI实验室的大量投资。