千问大模型升级实时语音识别大模型Fun-ASR-Realtime 支持30种语言+16种方言

千问大模型升级实时语音识别：Fun-ASR-Realtime正式发布

7月6日，千问大模型正式推出了实时语音识别大模型Fun-ASR-Realtime。这是一款将首字延迟控制在百毫秒级别、识别准确率接近离线模型的流式语音识别产品，同时支持16种方言和30种语言——覆盖面在国内同类产品中相当少见。

语音识别模型其实分两类：离线和实时。离线模型处理的是已经录好的音频，准确度更高，但没法应对“边说边识别”的场景；实时模型则不同——边录边识，既得准又得够快，难度更大。但直播字幕、会议实时转写、客服通话这些低延迟场景，偏偏就需要这种能力。Fun-ASR-Realtime瞄准的正是后者：让“又快”和“又准”不再是一道选择题。

速度：首字百毫秒，尾字不掉队

在速度上，模型的首字时延控制在百毫秒级别——话音刚落，文字就已经开始浮现。即便是很长的句子，尾字输出的延迟也极低。举个例子，在“重返荒岛”的100小时直播中，两岛互动、多人频繁切换说话、赛制复杂还赶上暴雨——观众却能实时看到Tim和中国boy等嘉宾的发言字幕，观看体验直接被拉满。

准确率：接近离线模型，还能“越听越准”

在准确率方面，Fun-ASR-Realtime的表现已经很接近其离线版本Fun-ASR-Flash。它针对上下文做了专项强化——包括历史对话上下文和实时热词，使模型具备理解语境的能力。一个真实的直播案例：Tim说了“夜鹭”，最开始被识别成“叶鹿”，但紧接着上下文跟了一句“观鸟的朋友应该知道”，模型立刻自己纠正了过来。

多语言和方言：这是Fun-ASR-Realtime最能听的部分

Fun-ASR-Realtime最能打的，其实是多语言和方言能力。它支持16种方言和30种语言，覆盖了八大方言区。在方言识别测试中，平均字符准确率达到88.62%，有12类方言的识别准确率领先火山和腾讯的相关产品。特别是高难度的吴语系——上海话92.41%，苏州话89.21%，就连号称“最难懂方言”的温州话也达到了82.74%。福建话、客家话等复杂方言同样全面领先。

Fun-ASR-Realtime在16种方言识别测试中领先。CER为字符错误率，1-CER代表字符准确率。

复杂场景与多语种：从工业远场到出海市场

在5类工业中文和英文场景的语音识别横向测评中——包括复杂背景、远场嘈杂以及各种带口音的场景——Fun-ASR-Realtime依然表现抢眼，中文平均字符准确率88.42%，英文91.58%，均领先同类产品。此外，模型针对泰语等东亚、东南亚语言做了专项优化，识别准确率提升了20%，特别适合出海客服、国际会议等场景。

Fun-ASR-Realtime在5类工业中文和英文场景的语音识别横向测评中领先。

离线模型Fun-ASR-Flash：全球权威榜单第一

作为Fun-ASR-Realtime的离线版本，Fun-ASR-Flash近期也正式上线。在全球权威AI评测平台Artificial Analysis上，Fun-ASR-Flash（榜单上为曾用名“Fun-realtime-ASR-preview”）字错率仅为1.7%，位列全球第一。