据動察 Beating 監測,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、多人頻繁切換發言的惡劣環境下,全程提供實時字幕支援,累計識別 6 萬餘條、共 132 萬字。
為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紀錯(例如根據後文自動將「葉鹿」修正為「夜鷺」)。模型目前支援 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%,其中上海話為 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 評測平台 Artificial Analysis 的字錯率排行榜上奪得第一。
目前,這兩款新模型僅作為商業 API 服務上線阿里雲百煉,而底層的 FunASR 開源框架與生態模型可在魔搭社區和 GitHub 獲取。