阿里升级实时语音大模型Fun-ASR-Realtime：首字延迟百毫秒，温州话识别准确率超82%

7月6日消息，阿里通义实验室将流式语音识别大模型 Fun-ASR-Realtime 的首字延迟降至百毫秒级，实现话音刚落即出字，且准确率逼近离线模型。 在影视飓风最近结束的 100 小时荒岛直播中，模型在户外暴雨、多人频繁切换发言的恶劣环境下，全程提供实时字幕支持，累计识别 6 万余条、共 132 万字。 为了解决实时语音识别容易断章取义的痛点，新模型强化了上下文感知能力，能结合历史对话与实时热词动态纠错（例如根据后文自动将「叶鹿」修正为「夜鹭」）。模型目前支持 30 种语言和 16 种方言，在方言测试中平均字符准确率达 88.62%，其中上海话为 92.41%，号称最难懂的温州话也达到 82.74%。 离线版模型 Fun-ASR-Flash 则在全球 AI 评测平台 Artificial Analysis 的字错率排行榜上夺得第一。两款模型的 API 服务均已在阿里云百炼上线，底层开源工具包与模型可在魔搭社区与 GitHub 获取。