阿里推出 CosyVoice Studio：国内首个 AI 语音生产力平台，Qwen-Audio-3.0 登顶全球
8月7日，阿里巴巴发布 CosyVoice Studio——国内首个覆盖语音识别、语音合成、实时语音交互的一站式 AI 语音生产力平台。背后支撑它的 Qwen-Audio-3.0-Realtime 模型，在 Artificial Analysis 评测中以 84.1% 的 Speech-to-Speech 综合指数拿下全球第一，语音推理、智能体表现和对话动态三个子项同样位居榜首。同一天，钉钉上线智能语音输入功能，口语说完即出定稿，成为首个支持全场景 AI 语音输入的协同办公平台。
语音为什么正在变成生产力入口
过去，语音只是键盘的补充——开车时发消息、开会时记笔记，属于"不方便打字时的替代方案"。但大模型改变了这件事：语音不再只是"听见"和"念出来"，而是能听懂上下文、做逻辑判断、完成任务。语音从输入方式升级成了能干活的东西。
这股趋势在 Vibe Coding 中尤为明显。开发者发现打字跟不上脑子转的速度，麦克风成了新的键盘。海外 AI 语音输入工具 Wispr 半年估值翻近三倍逼近 20 亿美元，深度用户中 72% 的日常输入靠语音完成。2026 年第一季度，全球语音 AI 赛道融资总额已超 70 亿美元。
但在国内，语音赛道还停留在单点工具阶段——做会议转写找一家，做配音找另一家，做客服再对接第三家。CosyVoice Studio 的出现，意味着国内 AI 语音从单点工具竞争，正式进入平台级竞争。
CosyVoice Studio 三条产品线
CosyVoice Studio 把语音 AI 拆成三个方向，分别对应"听、创、聊"：
CosyFlow——让语音直接产出工作成果。 它的核心不是把话转成文字，而是把语义理解融入语音输入。用户口述一段工作安排，AI 自动去掉口语填充词、修正口误、识别最终意图，直接生成一封正式邮件或结构化文档。过去语音输入最大的痛点是"说完还要改"，CosyFlow 试图让"说完即定稿"。
CosyCreative——让声音成为内容生产资料。 用户导入文稿或网页链接，选择声音风格和音色，AI 完成配音和音频内容生成。一段播客或宣传音频，从脚本到成片的时间从按天计算压缩到分钟级。实测中，输入一篇早报文本，CosyCreative 约一分钟就生成了概括版播报。
CosyAgent——让语音 Agent 参与业务流程。 语音 Agent 连接知识库、业务系统和工作流，理解用户需求后直接执行操作。客服、销售、培训等场景，语音 AI 的价值不再只是降低人工成本，而是成为企业服务的新入口。
钉钉落地：口语直接变工作语言
钉钉智能语音输入是 CosyVoice Studio 能力最直观的落地。它基于 Qwen-Audio-3.0-ASR-Flash-Message——Qwen-Audio 家族中面向消息场景深度优化的 ASR 引擎。
实际体验中，用户说话时的"嗯""那个"等口语填充词会被自动过滤，语序散乱的内容会被重新整理，说到一半推翻前面的内容时系统只保留修正后的结果。在工作场景中，用户还可以通过语音完成消息回复、内容搜索、文档撰写和 AI 表格数据录入。
支撑这一体验的 Qwen-Audio 家族模型，在 Artificial Analysis 评测中以 1.7% 字符错误率位列全球第一，超越 GPT-Realtime-2 等国际顶尖模型。
阿里的场景优势
语音 AI 的竞争，最终拼的不只是模型参数，而是真实场景的打磨。声音是高度依赖场景的数据——会议里的多人讨论、开放空间的远距离拾音、不同地区的方言表达，都不是单纯扩大模型规模能解决的。
阿里的优势来自大量真实业务：千问 App 沉淀了海量日常语音交互数据，钉钉面对会议和协作场景，高德处理导航语音播报，淘天和客服场景考验高并发长链路。这些场景不是简单的应用案例，而是模型能力持续迭代的训练场——场景产生需求，技术解决问题，产品获得反馈，再推动模型升级。
限制与竞争
CosyVoice Studio 刚上线，企业场景的实际效果还需要时间验证。语音 Agent 能否在复杂业务流程中稳定运行，取决于更多真实用户的反馈。
竞争也在加速。字节跳动前一天刚发布 SeedRealtime——首个音视频全双工大模型，同样瞄准实时语音交互。海外 ElevenLabs 已是估值超百亿美金的全链路语音平台。国内语音 AI 赛道从单点工具走向平台级竞争，才刚刚开始。
---
*基于新浪财经、网易科技、BigGo Finance 等多家媒体 2026 年 8 月 7 日报道整理。*