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別，話音剛落即出字，準確率逼近離線模型。新模型支援 30 種語言、16 種方言，溫州話辨識準確率達 82.74%。
（前情提要：xAI 正式開放 Grok 語音 API，TTS 每百萬字元 4.2 美元、辨識率擊敗 ElevenLabs）
（背景補充：OpenRouter 分析 100 兆 Token 研報：人類到底用 AI 做什麼、中國模型崛起與使用者留存秘密）
阿裡通義實驗室 7 月 6 日宣布，將流式語音識別大模型 Fun-ASR-Realtime 的首字延遲降至百毫秒級別，實作「話音剛落即出字」的效果，且準確率已逼近離線模型水準。
這項升級的核心在於上下文感知能力的強化。新模型能結合歷史對話與即時熱詞進行動態糾錯，例如根據後文自動將「葉鹿」修正為「夜鷺」，有效解決了即時語音識別容易斷章取義的痛點。
實戰驗證：100 小時荒島直播
在影視颶風最近結束的 100 小時荒島直播中，Fun-ASR-Realtime 在戶外暴雨、多人頻繁切換發言的惡劣環境下，全程提供即時字幕支援，累計識別 6 萬餘條、共 132 萬字。
這組資料意味著模型在單聲道、高環境噪音、多人交錯的真實場景中，仍能維持穩定的識別品質——這正是即時字幕應用最關鍵的指標。
方言辨識表現
模型目前支援 30 種語言和 16 種方言，在方言測試中的平均字元準確率達 88.62%。其中各主要方言的表現如下：
- 上海話：92.41%
- 溫州話：82.74%（被稱為「最難懂」的方言）
- 平均（16 種方言）：88.62%
溫州話作為吳語方言中的高難度專案，能達 82.74% 的準確率，顯示模型在低資源方言上的泛化能力有顯著提升。
離線版同步稱霸
離線版模型 Fun-ASR-Flash 則在全球 AI 評測平台 Artificial Analysis 的字錯率排行榜上奪得第一名，進一步驗證了 Fun-ASR 系列在語音識別領域的技術領先地位。
兩款模型的 API 服務均已在阿里雲百煉上線，底層開源工具包與模型可在魔搭社群與 GitHub 取得。
📍相關報導📍
喜歡特斯拉聲音？xAI 正式開放 Grok 語音 API，TTS 每百萬字元 4.2 美元、辨識率擊敗 ElevenLabs
阿里下令全員解除安裝 Claude 全系列產品，蒸餾攻擊被告反手封殺
