Компания Alibaba запустила CosyVoice Studio, которую она позиционирует как первую в Китае полнофункциональную платформу для повышения производительности с помощью голоса. Этот продукт объединяет семейство моделей Qwen-Audio в единый стек, который охватывает распознавание речи, синтез речи и взаимодействие с голосом в режиме реального времени.
Данная платформа основана на семействе моделей, которое заняло первое место в Индексе преобразования речи в речь для искусственного интеллекта 28 июля, где модель Qwen-Audio-3.0-Realtime показала результат 84,1 процента, опередив конкурентов в области голосового рассуждения, производительности агентов и динамики диалога.
Продукт разделен на три функциональных модуля. CosyFlow представляет собой уровень личной эффективности: он преобразует устную речь, произнесенную в спешке, в структурированный рабочий результат, исключая этап очистки, который требуют традиционные голосовые инструменты. Модуль CosyCreative отвечает за создание контента: он принимает сценарий или URL-адрес и генерирует готовый аудиоматериал в любом голосе. Наконец, CosyAgent является корпоративным уровнем, позволяющим предприятиям интегрировать голосовой интерфейс в уже существующие системы обслуживания клиентов.
Такое разделение отражает три направления коммерциализации голосового ИИ вне чат-ботов.
Этот запуск происходит на фоне международного роста спроса на продуктивность, основанную на голосе. Например, американский голосовой клавиатурный сервис Wispr увеличил свою годовую оценку почти втрое за шесть месяцев, достигнув 2 миллиардов долларов, а количество пользователей выросло более чем в сто раз в годовом исчислении. Глобальное финансирование голосового ИИ превысило 7 миллиардов долларов только в первом квартале 2026 года. Параллельно развивается аппаратное обеспечение: голосовые кольца, очки с ИИ и подвески с ИИ стремятся снизить барьер для интеграции повседневной жизни в рабочие процессы на базе ИИ. В американском рынке эталонной реализацией полнофункциональной голосовой платформы стала ElevenLabs. Alibaba считает, что китайский аналог отсутствует, и CosyVoice Studio призван заполнить эту нишу.
Структурное преимущество Alibaba заключается в цикле обучения моделей. CosyVoice Studio не является совершенно новым продуктом; это пользовательский интерфейс для семейства моделей, которое активно тестировалось на реальном производственном трафике в Qwen, DingTalk, Amap и Taobao с 2023 года. Модель Qwen-Audio обучалась на большом объеме данных с шумными китайскими диалектами, и каждый новый релиз проходит цикл обратной связи с пользователями. Благодаря этому, платформа может быть выпущена сразу, минуя необходимость в годичных пилотных проектах для стабилизации стека.
Вопрос рыночной структуры является важным вторичным аспектом. Голос стал наименее трудоемким способом ввода данных для агента ИИ, и Alibaba позиционирует CosyVoice Studio как маршрутизирующий слой для голосового трафика в Китае. Эта платформа также представляет собой наиболее чистый пример комплексной стратегии Alibaba: собственный проприетарный модуль, производственная платформа и продукт для разработчиков, выходящие на рынок одновременно. Предыдущая волна китайских победителей в сфере голосового ИИ состояла из инструментов с одной функцией; следующая волна — это платформенные решения, и Alibaba становится первой крупной китайской технологической компанией, выпустившей подобный продукт.