国内首个AI语音平台CosyVoice Studio

时间 2026年8月7日 地点 中国杭州（阿里巴巴 / 阿里云总部） 人物 阿里巴巴 / 阿里云通义实验室 Qwen-Audio 团队 事件详情 8月7日，阿里巴巴正式推出国内首个一站式 AI 语音生产力平台 CosyVoice Studio。该平台基于阿里自研 Qwen-Audio 语音大模型家族打造，整合语音识别、语音合成与实时语音交互三大核心能力，覆盖听、创、聊全链路。CosyVoice Studio 包含三大功能模块：CosyFlow（语音记录，可把口述内容直接转换为去掉口语填充词、逻辑清晰的结构化文本）、CosyAgent（语音智能体，支持企业根据业务需求定制实时对话的语音 Agent）、CosyCreative（音频内容创作工具，可将用户构思快速生成播客、有声书等多形态音频）。平台已在 iOS、Android、Mac、Windows 四端应用商店上架，CosyFlow 限时免费体验；CosyAgent 与 CosyCreative 以白名单邀请制向企业用户测试，即将全面开放。 背景 CosyVoice 系列源自阿里 2024 年开源的 300M 轻量级语音克隆模型，本次升级为一站式生产力平台。底层 Qwen-Audio-3.0-Realtime 在 Artificial Analysis 2026 年 7 月 28 日榜单中，Speech-to-Speech 综合指数以 84.1% 摘得全球桂冠，语音推理、智能体表现、对话动态三个子项均为世界第一。全球语音 AI 赛道 2026 年第一季度融资额已超 70 亿美元，海外 Wispr 半年估值翻近三倍逼近 20 亿美元，用户规模同比暴涨超百倍；ElevenLabs 估值已超百亿美金。国内语音赛道仍停留在单点工具阶段，CosyVoice Studio 的出现填补了语音生产力基建的国内空白。 影响 战略层面：阿里首次以全链路生产力平台形态输出语音 AI，与 Qwen 大模型、钉钉、高德、淘天等业务场景形成闭环，将语音定位为人机交互的核心入口之一 行业层面：从语音识别 + TTS 零散工具竞争升级为端到端语音生产力平台竞争，进一步压缩 Wispr、Typeless 等海外单品的市场窗口 开发者层面：白名单开放后，企业可在客服、电商导购、本地生活等场景快速接入语音智能体，降低全双工对话落地门槛 用户层面：CosyFlow 让说完即文档成为日常生产力标配，配合 AI 录音笔、AI 眼镜等硬件形成声音-数据-AI 工作流 总结 CosyVoice Studio 是阿里在语音 AI 赛道从模型能力向全链路生产力平台的关键升级。凭借 Qwen-Audio 的全球领先指标与四大业务场景的协同，阿里试图在国内复制 ElevenLabs 的全栈语音平台模式，并定义下一代语音生产力基建的国内标准。 参考来源 1. 极客公园深度报道：http://www.geekpark.net/news/368638 2. 腾讯新闻 / 每日经济新闻：https://new.qq.com/rain/a/20260807A0B73U00 3. 腾讯新闻 / IT之家转载：https://new.qq.com/rain/a/20260807A0B4KI00 4. 钛媒体：https://so.html5.qq.com/page/real/search_news?docid=70000021_0876a75579e62752 5. IT之家（腾讯转载）：https://so.html5.qq.com/page/real/search_news?docid=70000021_1106a758e6a20252 6. IT时代网（腾讯转载）：https://so.html5.qq.com/page/real/search_news?docid=70000021_1256a75bace93152 7. 教体产业网：http://news.nceol.com/