超越GPT-Realtime-2，阿里语音大模型获三项第一

最近AI语音领域有个挺有意思的消息。在全球权威的AI评测平台Artificial Analysis上，阿里巴巴的语音大模型家族——Fun-Realtime-ASR和Fun-Realtime-AudioChat——拿下了三项关键指标的第一名，表现甚至超过了GPT-Realtime-2这样的国际顶尖对手。这可不是简单的“听写”比赛，而是涵盖了“听准”、“听懂”和“会聊”三个维度的全面较量。

先说“听准”。这项能力看的是WER（词错误率），数值越低，说明模型把语音转成文字的准确度越高。阿里Fun-Realtime-ASR模型的WER低至1.8%，这意味着每100个词里，它只听错不到2个。更实用的是，它支持毫秒级响应，能覆盖三十多种主流语言和七大中文方言体系，甚至能精准识别二十多个地区的不同口音。对于金融、医疗这类对术语和准确性要求极高的行业，它还提供了企业级的定制接口，适配性很强。

如果说“听准”是基本功，那么“听懂”和“会聊”就是更高阶的智能了。这正是Fun-Realtime-AudioChat模型大放异彩的地方。

在评测中，它的“语音推理能力”（Speech Reasoning）得分高达97.6%，位列第一。这个分数衡量的是模型理解语义、逻辑甚至隐含意图的深度。能达到这个水平，意味着它已经能在语音层面高效完成意图判断、情感分析、多步推理等复杂任务，实现了从“听到声音”到“理解智能”的端到端跨越。

而真正让对话体验变得自然的，是“对话动态”（Conversational Dynamics）指标。它考察的是对话的流畅度：不只是把话接对，还要懂得对话的节奏——不抢话、被打断了能自然接上、该回应的时候绝不冷场。Fun-Realtime-AudioChat在这方面拿到了97.8%的高分，说明它在处理真实对话中各种突发状况时，其反应已经非常接近人类的自然交流水平。

目前，这套技术已经不再是实验室里的成果。它已经深度集成到了阿里的产品生态中，比如千问App、高德地图、钉钉等应用，为用户提供着实时语音转文字、智能导航交互、会议纪要自动生成等实实在在的服务。从技术登顶到场景落地，语音作为新的人机交互入口，其价值和体验正在被重新定义。