千问升级Fun-ASR-Realtime，实时语音识别进入“毫秒级无感”时代

近日，千问大模型正式宣布完成对实时语音识别大模型Fun-ASR-Realtime的重磅升级，将首字延迟压缩至百毫秒级别，同时实现了识别精度与多语言覆盖能力的双重突破。这次技术迭代，不仅把“话音刚落、文字即出”的体验从行业宣传语变成了可落地的普惠能力，更标志着国内实时语音识别赛道正式告别“快与准不可兼得”的长期困境，迈入低延迟、高智能、广覆盖的全新发展阶段。

作为一款面向全场景优化的流式语音识别方案，升级后的Fun-ASR-Realtime最核心的突破，是在极致速度与顶尖精度之间找到了完美平衡点。它的首字响应延迟稳定控制在百毫秒区间，比普通人单次眨眼的速度还要快一半，用户话音未落，对应的文字就已经在屏幕上同步浮现；哪怕是长达数分钟的连续发言，尾字输出延迟也能控制在210毫秒以内，全程不会出现“说完等半天”的卡顿感。更难得的是，在实现极致速度的同时，它的识别准确率已经无限接近离线模型水平，字错误率仅为1.8%，彻底打破了过去行业里“实时识别必然牺牲精度”的潜规则。

这次升级最让人惊喜的，是它在方言与多语言识别能力上的跨越式提升。全新版本覆盖了国内八大方言区的16种方言，在方言专项测试中字符识别平均准确率达到88.62%，其中上海话识别准确率92.41%，苏州话89.21%，就连被称为“最难懂方言”的温州话，识别准确率也突破了82%，共有12类方言的识别表现全面超越行业头部同类产品。同时它还支持30种通用语言，针对泰语等东亚、东南亚语种做了专项优化，相关场景下的识别准确率直接提升20%，完全适配出海客服、国际会议等跨语言实时交互需求。

不同于传统语音识别模型“听见就记、记完就忘”的短板，升级后的Fun-ASR-Realtime还新增了全链路上下文理解能力。它依托千问大模型的语义推理底座，能够结合历史对话内容与实时场景热词自动修正识别结果，比如在专业会议中，它能精准区分同音字对应的行业术语，在日常对话里也能理清指代关系，不会出现断章取义的识别错误。在刚刚收官的影视飓风“重返荒岛”100小时极限直播中，这款模型全程承担实时字幕输出任务，累计生成字幕超6万条，总字数达到132万字，全程零卡顿、零大面积识别错误，用超长时间的极端场景验证了自身的稳定性。

目前升级后的Fun-ASR-Realtime已经全面接入千问app、高德地图、钉钉等阿里生态产品，同时面向全行业开放企业级定制接口，开发者可以直接在阿里云百炼平台调用相关能力。从智能会议实时纪要、直播自动字幕生成，到方言区政务服务交互、跨境商务实时转写，这款模型正在把低延迟、高精度的语音能力下沉到千行百业。它的普及不仅会大幅降低不同语言、不同方言人群的交互门槛，更将为AI时代的“听觉交互”筑牢底层技术底座，让语音识别从过去的“工具功能”进化成人机交互里几乎感知不到的自然体验。