☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
7月6日，阿里巴巴正式发布升级版流式语音实时识别大模型——Fun-ASR-Realtime。该模型在保持极低延迟的同时，识别精度逼近离线模型水平：首字响应延迟稳定在百毫秒以内，长句尾字输出延迟同样出色；支持16种中文方言及30种全球语言，覆盖范围广泛。
在7月2日落幕的影视飓风“重返荒岛”100小时极限直播中，Fun-ASR-Realtime全程承担实时字幕生成任务，累计输出字幕超六万条、总字数达132万，成功应对高强度、多变声源与复杂环境挑战。
语音识别技术通常划分为离线型与实时型两类：前者适用于已录制完成的音频整体处理，追求极致准确率；后者则需边输入边识别，对速度与精度提出双重严苛要求，广泛应用于直播字幕、会议速记、智能客服等低时延关键场景。
此次迭代后的Fun-ASR-Realtime实现了“快”与“准”的深度协同。在响应速度方面，模型做到话音刚起、文字即现，首字延迟控制在百毫秒量级；即便面对冗长语句，尾字输出亦无明显滞后。以“重返荒岛”直播为例——节目涉及双岛多人高频互动、说话人频繁切换、规则动态调整，叠加突发暴雨干扰，系统仍能即时呈现Tim与中国boy等嘉宾发言内容，显著提升观众沉浸感与信息获取效率。
在识别准确性方面，Fun-ASR-Realtime已逼近其配套离线模型Fun-ASR-Flash的表现，并特别强化了泛Context建模能力（涵盖历史对话上下文与实时热词注入），具备上下文感知与动态纠错能力。例如，在直播中Tim提及“夜鹭”一词，初期被误识别为“叶鹿”，但结合后续语境“观鸟的朋友应该知道”，模型迅速完成修正。
图说：影视飓风“重返荒岛”100小时直播期间，Fun-ASR-Realtime依托上下文理解能力，将初始误识的“叶鹿”精准校正为“夜鹭”。
相比当前主流实时语音识别方案，Fun-ASR-Realtime展现出更全面的语言适配能力，支持16种方言与30种语言。在覆盖全国八大方言区的16种方言专项测评中，其平均字符准确率达88.62%，于12类方言测试中位居榜首，表现优于火山引擎与腾讯相关产品。尤其在公认难度最高的吴语体系中，上海话与苏州话识别准确率分别高达92.41%和89.21%；而素有“最难懂方言”之称的温州话，准确率亦达82.74%。此外，在福建话、客家话等复杂方言识别上，该模型同样实现全面领先。
图说：Fun-ASR-Realtime在16种方言识别横向评测中综合表现最优。CER为字符错误率（Character Error Rate），1−CER即为字符准确率。
在面向工业落地的5类典型中文与英文语音场景评测中——包括强背景噪声、远场拾音、多方言口音混杂等复杂条件——Fun-ASR-Realtime依旧保持稳健输出，中文平均字符准确率为88.42%，英文达91.58%，均处于行业领先位置。
图说：Fun-ASR-Realtime在5类工业级中英文语音识别横向对比中稳居前列。
针对泰语等东亚及东南亚多语种场景，模型进行了定向优化，识别准确率整体提升达20%，可高效支撑出海企业客服系统、跨国会议同传等国际化应用需求。
与此同时，Fun-ASR-Realtime对应的离线识别模型Fun-ASR-Flash也已同步上线。在全球权威AI评测平台Artificial Analysis榜单中，Fun-ASR-Flash（曾用名“Fun-realtime-ASR-preview”）以1.7%的错字率荣登全球第一。
目前，Fun-ASR-Realtime与Fun-ASR-Flash均已正式接入阿里云百炼平台，面向开发者开放调用。
Fun-ASR-Realtime：
https://www.php.cn/link/568f7cad7966985188ed28c5810d7c96
Fun-ASR-Flash：
