> For the complete documentation index, see [llms.txt](https://docs.vocu.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.vocu.ai/zh/introduction/models.md).
# 模型介绍
您可以在此处了解关于我们各个模型的介绍，以及相关的优缺点等
我们的**VOCU语音大模型**已预先经过海量中文及多种语言音频的训练，训练的内容涵盖多种类型，但最多的是**有声读物**与**常规对话音频。如果您提供的克隆音频样本以及目标文本是此类内容，则通常会在生成语音时取得较好的效果。我们的模型会尽可能模仿克隆音频样本的语调、语速、情感、停顿、响度、声学环境、呼吸声、口音、发声方式**等特征，尽可能理解目标文本的上下文，并综合它们来产生最匹配的语音。
## Vocu语音合成大模型 V3.1
*发布于2025 年 12 月 6 日，V2 系列角色可手动升级至 V3.1 版本，V3.0-Alpha角色已自动升级*
对比V3.0-Alpha测试版，此版本带来了全新的**专业克隆**与**音色转换能力**，并**全面提升了各个场景和语言下**的**情感表现力、稳定性、相似度、自然度、语义感知能力**等，为您带来更为惊艳的音频生成效果。
而对比V2等早期版本，全新的**V3系列**语音合成大模型则带来了对**全球30余种语言和方言**的全面支持，并在**情感张力、相似度、稳定性、自然度、语义理解能力**等各类表现上对比全球同类产品**大幅领先**，达到影视级性能。
#### 🎓 全新的**专业级语音克隆**能力正式上线
您可以提供**短至数十秒，长至数小时**的声音样本，我们的大模型将会**深入训练学习**您所提供的声音样本的每一个**语调、发音方式、节奏、韵律、发声习惯等各项细节**，实现**与原声无法区分**的顶尖克隆合成效果。
#### 🎤 全新的**音色转换能力**正式上线
您现在可以**将任意音频的音色转换为您所需要的声音**，来实现对声音表现细节的**精确把控**，一人即可配制多个角色。并且，音色转换能力与当前现有的**所有语音角色无缝兼容**，还支持**对歌声进行转换**，从而实现歌曲翻唱等相关创作。
#### 🧠 大模型核心能力全面提升
对比**V3.0-Alpha**测试版，V3.1在面对**各个场景和语言的文本与角色**时，均能生成**情感表现力、稳定性、相似度、自然度、语义感知等能力更强**的音频生成结果，让您的声音创作与应用效果更上一层楼。
#### 🔧 产品体验改进与问题修复
除模型更新外，这段时间以来我们还对产品体验进行了**全面改进**，其中包括但不限于**大量UI设计改进与便利性重构、性能优化、问题修复**等变更
由于变更量较大且篇幅有限，还望各位在产品使用过程中直接进行体验，也希望大家能够喜欢我们为各位带来的这些新内容。
## VOCU语音大模型 V3.0-Alpha
*发布于2025 年 8 月 26 日，V2 系列角色可手动升级至 V3 模型*
Vocu 语音大模型 V3.0-Alpha 是我们推出的全新跨度版本，作为全新阶段的早期公测版本，带来了多项功能更新与能力增强，进一步拓展了语音内容生成的表现力。具体更新如下：
* 在 V3 版本中，**多语言样本及跨语言生成能力**已可用，除早期已实现的中英文跨语言能力外，新增支持粤语、日语、韩语、法语、德语、西班牙语及葡萄牙语，以及这些语言的共计30余种口音变体。模型现已可直接处理这些语言的输入与输出。
*（需要注意的是，跨语种生成可能会因样本发音而受到影响，使用该功能时建议采用清晰且对应语言的语音，以获得最佳效果。）*
* **表现力与自然度提升**，在情感张力、相似度、稳定性、自然度、语义理解能力等多个维度上均显著增强，新增支持多种复杂表现形式，包括嘶吼、Rap、撒娇、ASMR 等，在极端情绪与细腻表达上也可进行生成。
* 新增**生动表达**优化，支持为单个段落单独启用“生动表达”选项。启用后，模型将基于对内容的理解自动调整语音细节，使语句更具表现力和感染力。（对于部分样本可能会导致结果不稳定）
* 新增**情感比例控制**优化，支持针对单个段落设置情感表达比例，可调整语句在生成时呈现出更明确的情绪倾向，如愤怒、开心、伤感等。通过灵活控制情绪权重，模型输出将具备更丰富的情感层次。
* **背景声学特征复刻优化**，样本复刻能力大幅提升，不仅限于人声特征，还可智能还原**背景声学特征**，包括空间感、混响、音量等，使生成内容更贴近角色原声质感。
## VOCU语音大模型 V2.9
*发布于2025年3月1日，**当前为V2 系列模型最新版本**，此前V2.X角色已自动升级至此兼容版本*
Vocu语音大模型的最新版本，此版本引入了大量来自开发中的V3版本模型的功能与改进，在中文语音内容生成表现上达到了**全球范围的SOTA水平**，相比此前版本更新内容如下：
* 大幅提升了**非Flash模型（即高质量模式）**下的生成音频质量，且解决了长期以来生成结果可能出现电流镶边感的问题。
* 大幅提升了**非Flash模型（即高质量模式）**下的角色相似度与角色稳定性，且可较大程度上还原角色原音频样本中的声学环境（诸如空间感、混响、音量、录音质感等）。
* 新增了全新的**全球首个**角色音色混合能力，可自由指定多个不同角色的音频样本，并自由按照比例对其进行混合，来创造出全新的角色音色。***（内部测试中，即将逐步开放）***
* 新增了全新的**全球首个**角色风格混合能力，在创建新的情感风格时，可以分别指定风格样本与角色样本来进行融合，来创造出全新的角色情感表现；例如，您可以将相声演员的风格与小女孩的角色进行融合，来为这个小女孩角色创造出说相声时的全新情感表现。***（内部测试中，即将逐步开放）***
* 新增了全新的**零门槛**角色智能翻配/翻唱能力，可以直接让现有的指定角色对已经完成的生成结果进行重新翻配，或对您所提供的任意语音或歌曲音频内容进行翻配或翻唱，并在此过程中保留角色的许多风格特点，为您带来更自由的新式音频创作体验。***（内部测试中，即将逐步开放）***
当前，该版本模型角色的生成点数消耗为**`1点数/字符`**
## VOCU语音大模型 V2.5
*发布于2024年11月26日，**已弃用**，对应角色已自动升级至V2.X系列最新版本*
我们V2.X系列语音大模型的第二个正式版，此版本引入了全新的超参数与训练策略，相比此前版本进一步提升了生成结果的自然度、韵律及情感表现，且一定程度上提升了角色的相似度、长篇内容的稳定性、以及英文内容的生成表现。
## VOCU语音大模型 V2.1
*发布于2024年8月16日，**已弃用**，对应角色已自动升级至V2.X系列最新版本*
我们V2.X系列语音大模型的首个正式版，此版本在自然情感表现力、生成效果、稳定性、瞬时克隆相似度等各项效果上相比过往版本具有大幅提升，且带来了更快的生成速度与更高的音频质量，改进了英文生成效果，并改善及新增了以下能力：
* **方言能力支持：**得益于Vocu超强的人声理解能力，我们现已能够初步提供对部分种类的方言口音支持能力，包括河南话，东北话，重庆话等官话类方言口音及少部分非官话发音。
* **低延迟播放：**V2.1版本的版本Flash模型现已支持最短1秒内开始播放生成结果，不限文本长度，满足各类低延迟实时需求。在网页端使用时选择“低延迟模式即可。
* **更精细的瞬时克隆能力：**瞬时克隆模式下，V2.1对于较长样本的理解力相比V1.0版本提升了4倍，能够更深入地模仿较长样本中蕴含的各类表现。
* **更好的长上下文理解能力：**V2.1版本对于较长生成文本的理解能力相比V1.0版本提升了3倍，可一次性理解更多文本，并生成更为贴合且更连贯的声音表现。
* **Websocket毫秒级生成：**我们面向开发者增加了全新的Websocket生成通道，可实现流式生成请求与结果返回，且生成延迟最低可至500ms，足以满足各类高实时性需求。
* **更快的专业克隆速度：**专业克隆的所需时间大幅缩短，对于30分钟的样本，在3-5分钟内即可完成克隆任务。
## VOCU语音大模型 V2.0Beta-3
*发布于2024年7月8日，**已弃用**，对应角色已自动升级至V2.X系列最新版本*
我们V2.X系列语音大模型的第三个测试版，相比第二个测试版更进一步拥有以下改进：
* 电流音杂音问题已得到极大改善，现在对于大部分音色样本应无法感知到明显电流音
* 稳定性大幅提升，现在对于长篇复杂内容的单次生成稳定性表现应得到较大改进
* 情感韵律表现获得较大提升，现在对于非过于平淡样本的情感表现应有明显改善，建议搭配包含语气词及口语化表述的文本获得最佳体验
* 英文表现大幅改进，现基本已达到可用状态
* Flash模型流式生成延迟降低50%+，在资源充足情况下可固定在500ms - 1秒内获得可播放的生成结果
* 采用全新技术策略，并发承载能力大幅提升，应有效改进此前因近期使用量增多导致的拥堵问题
对比V1.0版本的详细更新内容请参见V2.1正式版介绍。
## VOCU语音大模型 V2.0Beta-2-Flash
*发布于2024年6月25日，**已随V2.0Beta-2弃用**，后续版本均同步包含对应的Flash模型*
Vocu语音大模型的首个低延迟Flash分支版本，由V2.0Beta-2衍生而来且互相兼容，带来了低延迟的生成时流式播放体验，但相比主模型的音频质量会有所下降；在资源充足的情况下，任意长度的内容通过该版本Flash模型均可实现在提交任务后1-2秒内即可开始聆听生成结果。
## VOCU语音大模型 V2.0Beta-2
*发布于2024年6月18日，**已弃用**，对应角色已自动升级至V2.X系列最新版本*
我们V2.X系列语音大模型的第二个测试版，在稳定性、可用性、音频质量等各个方面相比第一个测试版均有进一步提升与改进。对比V1.0版本的详细更新内容请参见V2.1正式版介绍。
## VOCU语音大模型 V2.0Beta-1
*发布于2024年6月10日，**已弃用**，对应角色已自动升级至V2.X系列最新版本*
我们V2.X系列语音大模型的首个测试版，此版本的生成效果，稳定性、瞬时克隆相似性、生成速度与音频质量相比V1.0版本有较大提升，但此时仍存在较多问题。对比V1.0版本的详细更新内容请参见V2.1正式版介绍。
## VOCU语音大模型 V1.0
*发布于2024年1月11日，**现已停止维护**，不支持创建新V1.0角色；现有V1.0瞬时克隆角色可继续生成或一键升级至V2.X版本。*
我们首个正式发布的模型版本，可一定程度上理解文本上下文，并以与真人几乎无异的表现力、情感、韵律和音色来基于文本生成人声音频，并且支持以极短样本进行瞬时语音克隆。该版本模型还带来了对英文语音合成及克隆的实验性支持，但目前相较中文的稳定性与表现力可能较差。
目前，此模型的点数消耗量为`1点数/字符`。
## VOCU语音大模型 V0.9Beta
*发布于2023年11月，**已弃用**，对应角色已自动升级至V1.X系列最新版本*
我们的第一个公开发布的实验性语音大模型，也是**全球首个具有中文本土化自然表现的生成式语音大模型**。此模型可以以接近真人的语速、语调和语气来生成语音，更能模仿情绪上的变化，让AI更加接近人类，并且支持瞬时语音克隆技术。目前仅支持中文。
此版本的语音模型**(V0.9)**仍然处于早期测试阶段，存在较多已知问题。