7月6日，阿里千问宣布实时语音识别大模型Fun-ASR-Realtime完成重要升级。这个新版本用一个模型就覆盖了16种方言和30种语言，相关API已在阿里云百炼平台上线，开发者可以直接调用，无需再为不同语种分别训练模型。

官方测试显示，在覆盖八大方言区的16种方言识别中，该模型字符准确率平均达到88.62%，其中12类方言的表现优于火山引擎和腾讯的同类产品。能将这么多方言的识别稳定在这一水平线上，技术门槛并不低，尤其考虑到日常交流中口音和词汇的混杂程度。

打开网易新闻 查看精彩图片

实时语音识别的另一大痛点是延迟。Fun-ASR-Realtime把首字延迟压缩到了百毫秒级别，用户几乎感觉不到停顿，流式识别准确率也接近离线效果。同时，它支持多种语言无缝切换，不管是中英文混杂会议，还是方言突然插进来，系统都能平滑跟进，不用手动切换引擎。

对出海场景来说，方言只是开始，小语种才是更大挑战。团队特意针对泰语等东亚、东南亚语言做了专项优化，使这类语种的识别准确率直接提升了20%。这意味着，在跨境客服、国际会议等需要实时转写、翻译的场合，准确性和流畅度都会上一个台阶。

Fun-ASR-Realtime还有一个离线版本Fun-ASR-Flash也已上线。在AI评测平台Artificial Analysis上，它凭借1.7%的字错率登顶全球榜首（曾用名“Fun-realtime-ASR-preview”）。这为无网络或弱网环境下的语音转写提供了高精度方案，让边缘设备和移动端的实时字幕成为可能。

从单模型覆盖多语言方言，到实时与离线版本同时铺开，阿里千问在语音识别领域的产品矩阵正变得越来越完整。对于需要快速集成语音能力的开发者来说，开箱即用的API和多场景覆盖能力，可能是此次升级中最实用的部分。