阿里通义推出企业级音频基础模型 Tongyi Fun，由 Fun-ASR 与 Fun-CosyVoice 组成，目标在真实企业环境中实现“听懂—转写—会说”的全链路能力。官方信息显示，Fun-ASR 以数千万小时真实语音训练，覆盖金融、科技、制造等行业术语与嘈杂场景；Fun-CosyVoice 提供多语多音色合成与跨语种声音克隆，强调稳定韵律与自然表达。
在工程实现上，Tongyi Fun 采用上下文增强与 RAG 检索，将企业知识与术语库引入识别与翻译流程，减少跨语言干扰与幻觉。面向落地需求，产品形态支持会议纪要、客服质检、语音机器人与多媒体内容生产，并提供可扩展的 API 与定制训练路径，便于与现有系统集成。
常见问题
Q：Tongyi Fun 由哪些核心组件构成？
A：由 Fun-ASR（语音识别）与 Fun-CosyVoice（语音合成）组成，分别负责理解与生成。
Q：为何引入 RAG？
A：通过检索企业知识库与术语表增强上下文，使转写与翻译更准确，降低幻觉与误判。
Q：语言与音色覆盖如何？
A：支持多语多方言与多种拟人音色，并提供跨语种声音克隆以保持说话人一致性。
Q：适用的企业场景有哪些？
A：会议转写与摘要、客服质检与语音机器人、培训与内容制作、合规审核等。
Q：是否提供开源或接入路径？
A：CosyVoice 等组件有开源实现；企业级接入与控制台在阿里云通义相关产品页提供。
