语音小管家在传统语音生成中，表达方式往往依赖预设标签，例如：
固定情绪选项
预定义语气类别
限定风格模板
用户只能在有限选项中选择，而难以进行更自由、细腻的表达控制。
FreeStyle 新范式的核心突破在于
不再依赖固定标签，而是支持通过自然语言指令直接描述想要的表达方式。
通义实验室语音团队正式发布两款支持 FreeStyle 指令生成的模型 Fun-CosyVoice3.5 与 Fun-AudioGen-VD。无论是精细控制声音表达，还是从零设计音色与场景，都可以通过自然语言指令直接生成。
两款模型均支持通过自然语言指令控制语音生成，但应用方向不同：
Fun-CosyVoice3.5：多语种复刻 + 精细化表达控制
Fun-AudioGen-VD：声音设计 + 场景化音频生成
01、支持 FreeStyle 指令控制
CosyVoice3.5 在 Instruct-TTS 方向实现能力升级，支持 FreeStyle 指令控制生成效果，一句话自由生成语音。
你可以直接用自然语言描述表达方式，例如：“语气坚定一点”、“稍微压低音调，语速慢一点”、“带一点情绪起伏”......模型即可理解并生成相应表达。
02、多语种扩展：新增 4 个小语种
新增支持：泰语、印尼语、葡萄牙语、越南语。同时在 13 种语言的 WER 和 SpkSim 客观指标上保持业内领先。
03、发音准确性显著提升
针对生僻字、复杂语句等容易读错的场景专项优化，生僻字读错率从 15.2% 降至 5.3%，复杂文本表现更加稳定，长文本朗读也更稳定流畅。
04、韵律与音质优化
通过强化学习技术专项调优，双重提升听感，使整体听感更加自然，表达更有层次。
语言模型部分使用 DiffRO + GRPO，增加时长与韵律多通道 reward，韵律表现明显提升。
Flow Matching（音频生成）使用 Flow-GRPO，复刻相似度和音质进一步提升。
05、性能优化：更低延迟
Tokenizer 帧率减半
首包延迟降低 35%
在实时交互场景下响应更快，体验更流畅。
如果说 Fun-CosyVoice3.5 解决的是“如何更好地表达”，
那么 Fun-AudioGen-VD 解决的是——声音如何被设计。
Fun-AudioGen-VD 支持根据自然语言描述，生成目标音色、情绪表达和完整听觉场景，实现“人物 + 场景”的一体化声音生成。01、可控音色与角色化生成
支持通过指令精细化控制声音特征
基础属性：性别、年龄、口音、音高、语速
音质特征：沙哑、清亮、低沉、磁性......
情绪表达：愤怒、悲伤、兴奋、坚定......
角色模拟：客服、老兵、孩童、AI、播音员......
复杂心理：支持细腻状态表达（如“表面镇定但内心颤抖”）
02、环境与空间声学模拟
背景环境音：叠加城市喧嚣、咖啡馆背景、战场轰鸣等环境音； 空间混响效果：模拟大教堂、金属牢房、水下等空间回声； 设备听感滤镜：还原老式广播、对讲机、呼吸面罩等特殊音质； 动态环境互动：支持风噪断续、回声变化、嘶哑效果等实时互动。
在影视动画、游戏、有声书及 AI 角色等场景中，创作者可通过自然语言快速定义音色、情绪与场景，大幅降低录制与调试成本，提升内容沉浸感。此外，Fun-AudioGen-VD 还能生成高质量参考音频，为声音复刻提供更丰富的素材基础。
这并非简单增加几个可选标签，而是让语音生成真正进入「自然语言控制表达」的阶段：
Fun-CosyVoice3.5：专注于复刻与表达控制，让声音更自然、更听话。
Fun-AudioGen-VD：拓展了音色与场景的一体化设计，让声音从无到有被创造。
当语音可以被描述、被理解、被精准生成，声音创作将不再受限于模板与标签，而成为一种可编排、可塑造的数字表达能力。
