阿里升級實時語音大模型Fun-ASR-Realtime：首字延遲百毫秒，溫州話識別準確率超82%

7月6日消息，阿里通義實驗室將流式語音識別大模型 Fun-ASR-Realtime 的首字延遲降至百毫秒級，實現話音剛落即出字，且準確率逼近離線模型。 在影視颶風最近結束的 100 小時荒島直播中，模型在戶外暴雨、多人頻繁切換髮言的惡劣環境下，全程提供實時字幕支持，累計識別 6 萬餘條、共 132 萬字。 爲了解決實時語音識別容易斷章取義的痛點，新模型強化了上下文感知能力，能結合歷史對話與實時熱詞動態糾錯（例如根據後文自動將「葉鹿」修正爲「夜鷺」）。模型目前支持 30 種語言和 16 種方言，在方言測試中平均字符準確率達 88.62%，其中上海話爲 92.41%，號稱最難懂的溫州話也達到 82.74%。 離線版模型 Fun-ASR-Flash 則在全球 AI 評測平臺 Artificial Analysis 的字錯率排行榜上奪得第一。兩款模型的 API 服務均已在阿里雲百鍊上線，底層開源工具包與模型可在魔搭社區與 GitHub 獲取。