FunAudioLLM 是阿里巴巴开发的一组语音处理模型，旨在改善人类与大语言模型之间的语音交互。它由两个主要模型构成：SenseVoice 和 CosyVoice。 SenseVoice：语音识别模型，这个模型可以识别多种语言的语音，识别说话人的情感，检测音频中的特殊事件（比如音乐、笑声等）。它可以快速而准确地转录语音内容。 CosyVoice：语音生成模式，这个模型主要生成自然且情感丰富的语音。它可以模仿不同的说话人，甚至可以用几秒钟的音频样本来克隆一个人的声音。 通过 SenseVoice 和 CosyVoice…