8 月 7 日，阿里推出 CosyVoice Studio。它把自己定义为国内第 一个一站式 AI 语音生产力平台，把录音整理、配音生成、语音客服三件事放进了同一个 App。

这不是一次普通的功能更新。过去你要做这三件事，得开三个工具。现在一个入口全包了。

一个平台，三件事

CosyFlow，管的是录音整理。 你对着它说话，它吐出一份干净文字，去掉"嗯、啊、那个"这些口头禅，还把不同发言人的话分开。开会、访谈、上课要整理的人，最用得上。

CosyCreative，管的是音频创作。 你丢一份文档或者一个链接进去，它用上千种音色，给你生成对话式播客、多角色有声书。做自媒体、有声书、课程的人，以前要找配音、要剪辑，现在一步到位。

CosyAgent，管的是语音客服。 你说一句需求，它搭出一个能接电话、能实时对答的语音智能体。有客服、电话营销需求的企业，不用再从头组建一套对话系统。

三件事，过去是三个工具、三笔开销。现在一个 App 里全有，目前还限时免费，后两者是白名单邀请制。

把市面上的语音工具摊开看，本来是三类玩家，各管一摊。

转写、会议类，有讯飞听见、腾讯会议 AI 纪要。配音、克隆类，有 ElevenLabs、剪映、即梦、MiniMax。实时对话类，有豆包、智谱 GLM-4-Voice、海螺。

CosyVoice 的特别之处，是一个平台把三类都包了。但包得全，不等于每一项都最深。一站式很方便，可如果你只想要一个超好用的配音，单点工具可能更顺手，也未必更贵。选工具的第 一步，不是看谁功能多，是弄清楚你要的是哪件事。

这波开源，把选择题摊开了

2026 年的七、八月，语音和音频模型像约好了似的集中冒头。把阿里之外几个有代表性的摆出来，你会发现它们不在同一个擂台上打架，而是各自占了一个坑。

做一站式语音生产力的，还有字节。8 月 5 日它发了 SeedRealtime，原生音视频全双工，已经在豆包全量上线，主打"边看边听边说"。它更像把能力直接塞进产品，目前不是开源路线。

做全模态、把声音当其中一环的，有 MiniMax 和腾讯。MiniMax 在 7 月 31 日发布、8 月 3 日开源了 H3，33B 单流架构，把文本、图像、视频、音频统一进一个模型，能直接生成带原生立体声的短视频，声音只是它多模态里的一部分。腾讯 8 月 4 日推出 Hy ASR 3.0，把中文识别错误率压到 3.34%，偏"听得准"，是转写这一环的专精。

做音频理解的，有 SALMONN-2。它 8 月 7 日开源，是清华、上海人工智能实验室、剑桥联合做的通用音频大模型，8B 参数。它不帮你配音，而是帮你鉴别声音真假、听出环境里发生了什么，能直接做声音事件检测、伪造语音识别、语音质量评分。

海外也有开源声音模型，但大多是更早的积累。最常被拿来当标杆的是 Sesame 在 2025 年开源的 CSM，一个 10 亿参数的对话语音模型，自然度到今天还被很多人认为领先。它更像给开发者研究用的，不是给普通人开箱即用的产品。

这波模型不是"谁比谁强"，是"谁比谁更知道自己干嘛用"。想做配音和播客，看 CosyVoice、ElevenLabs、剪映。想做实时对话客服，看 SeedRealtime、豆包、智谱。想自己部署、改代码，看 SALMONN-2 这类开源权重。

阿里把三件事合一个平台，是给用户省心。但真挑的时候，还是得回到那句话：你要的是哪件事。

比什么：普通人能看懂的几个维度

中文够不够地道。 方言、口音、多音字准不准，这是国产工具相对 ElevenLabs 这类海外产品的优势，也是 SALMONN-2、Hy ASR 这类国产模型扎进去的地方。

声音像不像人。 能不能克隆你的声音、带不带情绪，别一听就是机器念稿。

能不能实时对答。 延迟高不高，会不会你说话它还在念上一句。SeedRealtime 和豆包比的就是这一项。

贵不贵、好不好上手。 要不要写代码，按字数还是按时长收费，小白能不能直接玩。想自己部署的，就看有没有开源权重、能不能本地跑。

别盯着榜单排名看。先看你的场景落在哪条线上，再看那一维谁做得好。

没有最好的，只有最合适的

没有"最好的语音模型"，只有"最适合你那件事的"。

从七月的 MiniMax H3，到八月的 SeedRealtime、CosyVoice Studio、SALMONN-2，这一波密集发布和开源，把语音能力的门槛又往下拉了一截。但 2026 年里真正决定你用得顺不顺的，还是你在打开工具前想没想清楚：我要用它干嘛。