8 月初，阿里接连发布多个重磅产品。
千问办公开启公测，对标 WorkBuddy；Qwen3.8-Max 正式上线，总参数量 2.4 万亿；视频生成模型 Wan3.0 开启公测，单次可生成 30 秒视频。
不过最值得关注的是阿里新上线的 CosyVoice Studio——国内首个一站式 AI 语音生产力平台，基于自研 Qwen-Audio 大模型打造。
语言是人类交流最基本的方式，而语音是语言最重要的表现形式。这个领域一直被严重低估。
CosyVoice Studio 包含三款产品：CosyFlow、CosyCreative、CosyAgent，覆盖语音输入与记录、音频创作、语音智能体生成三大环节。
CosyFlow——CosyVoice 输入法，2026 年 6 月已内测，主打语音输入，包括短语音键盘和长语音随记。
CosyCreative——音频内容创作平台，支持 AI 播客、有声书、声音克隆、文章转语音等多种场景。
CosyAgent——通过自然语言对话创建语音智能体，一键拥有数字呼叫中心，适用于智能客服、电话营销等场景。
下面是详细测评体验。
一、CosyFlow：语音输入法
CosyFlow 底层使用阿里的 Qwen-Audio-3.0-ASR 语音识别大模型，口号是「说得随意，写得漂亮」。手机端和电脑端都已上线。
下载后支持淘宝账号登录，按流程配置后即可使用。
启动后即可按键语音输入，动态声波图标表示正在录音。电脑版主界面简洁，支持字数统计、使用时间统计和语音转录历史记录。
支持添加「热词 Skill」，录入常用个性化词语，提升语音转录识别准确率。
电脑版目前仅支持语音输入，手机版可切换键盘模式，选择角色后即可使用。
短语音场景：语音输入法
1）自动过滤口水词和重复词，支持润色
可选择润色方式：标准（默认）、轻量、激进。
2）多项事务自动列成清单
开启润色后，语音输入的多个事项会被整理成结构化文字。
3）智能纠错，修正口误
「不对不对」「改成」「我的意思是」等口误文字不保留，只输出修改后结果。
4）支持多种方言转录
上海话、粤语、四川话等方言语音输入，都能转成对应方言文字。
5）中文转录成英语
普通话、外语或方言均可转录为英语，后续将支持更多语言。
6）剪切板和字数统计
语音转录内容以历史记录方式保存在本地，不上传云端。同时支持字数统计。
长语音场景：随记
CosyFlow 还支持会议记录、用户调研、日常待办记录、语音写文章等长语音场景。
手机 APP 中间大大的语音输入 tab 就是随记功能。
1）语音转文字，精准记录
记录音频所有逐字稿，内容清晰不丢失。
2）智能区分发言人
根据声纹识别发言人，多人对话时可自动区分。不过体验过程中有部分发言人区分出错。
3）AI 自动总结摘要
一键总结，有摘要、有核心内容提炼，结构化输出。适合会议记录、课程教学、访谈调查。
4）AI 自动生成待办
语音输入内容中的待办事项会被自动提取，方便跟进，任务不遗漏。
5）多语言翻译
支持多语言转译，中文可同步转译为英文或日语，目前支持 7 种语言。
CosyFlow 是一款面向个人用户的免费产品。你只管说，它帮你整理成文，让输入回归最原始、最高效的方式。
二、CosyCreative：音频内容创作平台
CosyCreative 基于 Qwen-Audio-3.0-TTS 和 CosyVoice 语音合成大模型，能把想法直接变成声音作品。可以制作播客、完成有声书、复刻喜欢的声音，或单纯听一篇文章。
1、AI 解析主题和生成脚本
输入一句话即可，CosyCreative 会进行主题解析、生成内容大纲和脚本，适配音频风格，确认后最终生成音频。
2、多音频场景支持
覆盖 AI 播客、AI 有声书、声音克隆、听文章等场景。上传文档、网页链接或输入文字即可。
支持多角色对话、多语言生成、多种音频输出格式。
3、上千种音色
内置上千种音色，可按需搜索筛选。
还支持声音复刻，用你自己的声音生成音色。
可自定义标签控制语言表达，保持高情感表现和风格一致。
4、音频编辑
提供专业音频编辑能力：文本与音频自动对齐、局部内容重生成、自动分段、多轨编排、背景音乐等。
从一个想法到音频作品，CosyCreative 帮你完成全链路工作。
CosyCreative 目前以白名单邀请制公测，适合企业用户。
三、CosyAgent：语音智能体
CosyAgent 基于 Qwen-Audio-Realtime 实时双工语音大模型，通过自然语言一键创建语音 Agent，快速搭建数字呼叫中心。
可创建售前咨询、售后支持、主动营销、客服实时答疑等智能体。
1、自然语言低门槛创建
通过自然语言对话生成具备实时语音交互能力的 Agent 智能体，支持用自然语言和工作流修改。零代码构建。
2、企业知识增强
支持 RAG 引擎，可接入数据库和文档等企业知识。
回答问题时先从企业知识库检索相关信息，再利用这些信息指导语音生成，提高回答准确性。
3、企业工具接入
支持 MCP、API 等能力，赋能智能体调用企业系统。
4、交互体验与推理能力
语音实时交互最怕延迟和答非所问。Qwen-Audio-3.0-Realtime 模型在保持流畅自然交互的同时，语音推理能力不打折扣。
四、小结
CosyVoice Studio 是一套全链路一站式的语音生产力平台：
- CosyFlow：在语音转写基础上叠加语义理解与文本生成，自动过滤口语填充词，将零散口述直接输出为邮件、会议纪要等结构化文本。个人免费使用。
- CosyCreative：内置上千种音色，支持声音复刻，上传文档或输入文字即可生成对话播客与有声书，覆盖音频创作全链路。适合个人或企业付费使用。
- CosyAgent：支持自然语言快速创建具备企业知识、工具调用与实时语音交互能力的智能体，兼容 prompt 与 workflow 配置，部署门槛低。适合企业使用。
三款产品均以阿里自研 Qwen-Audio 语音模型为基础：
- CosyFlow 使用 Qwen-Audio-3.0-ASR，字错率 WER 仅 1.7%，曾在 Artificial Analysis 上拿下全球第一。
- CosyCreative 使用 Qwen-Audio-3.0-TTS，对话流畅度 97.8%，综合排名全球第一。
- CosyAgent 使用 Qwen-Audio-3.0-Realtime，语音推理能力 97.6%，刷新语音推理能力纪录。
错字率低，让大模型听得准。对话流畅度高，让大模型说得真。推理能力强，让大模型聊得好。阿里不只是把技术留在测评榜单上，而是落地到了具体的产品和应用中。