阿里云千问大模型：Fun-ASR-Realtime语音模型升级

       最新！阿里云升级语音实时识别大模型Fun-ASR-Realtime。

       该模型为流式识别模型，识别准确率接近离线模型，首字延迟在百毫秒级别，支持16种方言和30种语言。在7月2日结束的影视飓风“重返荒岛”100小时直播中，实时字幕由Fun-ASR-Realtime全程提供，共识别出六万多条字幕、132万字。同期，离线模型Fun-ASR-Flash也已上线，两款模型均可在阿里云百炼使用。

首字百毫秒响应，长句尾字延迟低

       语音识别模型分为离线和实时两类。离线模型可一次性处理录好的音频，准确度更高；实时模型边录边识，需兼顾准确率和速度，适用于直播字幕、会议实时转写、客服通话等场景。

       Fun-ASR-Realtime首字时延控制在百毫秒级别，长句尾字输出延迟也较低。以“重返荒岛”100小时直播为例，多人两岛互动、说话人频繁切换，观众可即时看到嘉宾发言字幕。

具备上下文理解能力，可实时纠错

       Fun-ASR-Realtime面向泛Context（包含历史对话上下文和实时热词）进行了专项强化。例如直播中嘉宾说出的“夜鹭”最初被误识为“叶鹿”，模型通过上下文“观鸟的朋友应该知道”后立即纠正。        ● Fun-ASR-Realtime可识别16种方言和30种语言。在八大方言区16种方言识别测评中，平均字符准确率为88.62%。其中上海话准确率92.41%，苏州话89.21%，温州话82.74%。模型还针对泰语等东南亚多语言场景进行了专项优化，识别准确率提升约20%。
       ● 在5类工业中文和英文场景测评中，覆盖复杂背景、远场嘈杂及带口音场景，Fun-ASR-Realtime平均字符准确率分别为88.42%和91.58%。
       离线模型Fun-ASR-Flash近期也已上线。在评测平台Artificial Analysis上，Fun-ASR-Flash（榜单名为"Fun-realtime-ASR-preview"）错字率为1.7%，位列全球第一。