通义实验室发布并开源了影视配音模型 Fun-CineForge。按官方介绍，它面向独白、旁白、对话、多说话人等多种影视场景，底层基于 CosyVoice3 的语音合成能力构建；对应论文也已上线 arXiv。

这条消息真正值得看的，是这套模型把“时间”当成了一个单独的模态来处理。

传统配音模型更常依赖文本、参考音色和可见嘴型去做音画同步。但影视场景远比单人正脸说话复杂：镜头切换、多人对话、人物遮挡、脸部模糊，都会让“看嘴型配音”这条路迅速变难。

通义这次强调的关键创新，是把时间信息显式放进模型里，让模型不仅知道“说什么、像谁说”，还知道“谁在什么时候说