今天，阿里通义升级实时语音识别大模型Fun-ASR-Realtime——一款首字延迟控制在百毫秒级别、识别准确率接近离线模型的流式语音识别模型，支持16种方言和30种语言。
阿里云百炼：
Fun-ASR-Realtime：
https://help.aliyun.com/zh/model-studio/real-time-speech-recognition-user-guide
Fun-ASR-Flash：
https://bailian.console.aliyun.com/cn-beijing#/doc/?type=model&url=2979031
在7月2日结束的影视飓风「重返荒岛」100小时直播中，实时字幕由Fun-ASR-Realtime全程提供，累计识别字幕6万余条、共计132万字。
语音识别模型分为离线和实时两类。离线模型可一次性输入录好的音频，准确度更高；实时模型边录边识，需又准又快，识别难度更高，适合直播字幕、会议实时转写、客服通话等低延迟场景。
Fun-ASR-Realtime面向的正是后一种——让”又快”和”又准”同时成立。
速度：首字百毫秒，尾字不掉队
在速度上，模型首字时延控制在百毫秒级别，话音刚落，文字即开始呈现；对很长的句子，尾字输出的延迟同样很低。
以「重返荒岛」100小时直播为例，多人两岛互动、说话人频繁切换，赛制复杂还遇上了暴雨，观众可即时看到Tim和中国boy等嘉宾的发言字幕，直接增强了观看体验。
准确率：接近离线模型，还能“越听越准”
在准确率上，Fun-ASR-Realtime接近其离线模型Fun-ASR-Flash，并面向泛 Context（包含历史对话上下文和实时热词）进行了专项强化，具备上下文理解能力。
举一个直播里的真实例子：Tim说出的”夜鹭”最初被误识为”叶鹿”，在补充上下文”观鸟的朋友应该知道”后，模型立刻自我纠正。
多语言和方言：这是Fun-ASR-Realtime最能听的部分
相较于市面上的实时模型，Fun-ASR-Realtime 支持的语音种类更加丰富，可识别16种方言和30种语言。
在覆盖八大方言区的16种方言识别测试中，Fun-ASR-Realtime字符准确率平均为 88.62%，在12类方言上领先，超越火山与腾讯相关产品。尤其在高难度的吴语系方言上表现惊艳——上海话：92.41%，苏州话：89.21%，温州话（号称”最难懂方言”）：82.74%。
在福建话、客家话等复杂方言上，模型同样全面领先。
复杂场景与多语种：从工业远场到出海市场
在5类工业中文和英文场景的语音识别横向测评中，针对复杂背景、远场嘈杂以及各种带口音的场景，Fun-ASR-Realtime依然表现良好，中文平均字符准确率88.42%、英文91.58%，均领先相关产品。
在此基础上，模型面向泰语等东亚、东南亚多语言场景进行了专项优化，识别准确率提升了20%，适用于出海客服、国际会议等场景。
离线模型Fun-ASR-Flash：全球权威榜单第一
Fun-ASR-Realtime的离线模式模型Fun-ASR-Flash也已于近期上线。在全球权威AI评测平台Artificial Analysis上，Fun-ASR-Flash（榜单上为该模型曾用名”Fun-realtime-ASR-preview”）字错率1.7%，位列全球第一。
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
