阿里通义实验室公布，流式语音识别大模型 Fun-ASR-Realtime 已将首字延迟降至百毫秒级，实现接近“话音刚落即出字”的效果。官方同时表示，这一版本的识别准确率已经逼近离线模型水准。
上下文感知成为这次升级核心
这次迭代的重点不是单纯压缩响应时间，而是强化模型的上下文感知能力。新模型可以结合历史对话和实时热词做动态纠错，例如依据后文语义，将“叶鹿”自动修正为“夜鹭”。这类能力直接对应流式语音识别里最常见的问题：前文信息不完整，容易出现误判。
在实时场景中，系统往往要边听边出字。速度快是一回事，能不能在连续语境里维持稳定识别，才更关键。阿里给出的升级方向，正是围绕这个难点展开。
100小时荒岛直播验证户外复杂场景
Fun-ASR-Realtime 还在一场持续100 小时的荒岛直播中接受了真实环境测试。根据披露的数据，该模型在户外暴雨、多人频繁切换发言的情况下，完成了全程实时字幕支持，累计识别6 万余条内容、共132 万字。
这组数据对应的是单声道、高环境噪音、多人交错发言的应用条件。对实时字幕系统来说，这类场景比实验室环境更难，识别结果是否稳定，往往决定了实际可用性。
支持30种语言和16种方言
方言识别是这次升级中的另一项重点。Fun-ASR-Realtime 目前支持30 种语言和16 种方言，在方言测试中的平均字元准确率达到88.62%。其中，上海话识别准确率为92.41%，温州话达到82.74%。
温州话长期被视为识别难度较高的方言类型。官方将其成绩单单独列出，也说明模型在低资源方言上的泛化表现有所提升。
离线版Fun-ASR-Flash同步上线成绩
除了流式版本，离线版模型 Fun-ASR-Flash 也拿到了新的成绩。阿里称，该模型在全球 AI 评测平台 Artificial Analysis 的字错率排行榜上排名第一。
目前，Fun-ASR-Realtime 与 Fun-ASR-Flash 的 API 服务都已上线阿里云百炼，底层开源工具包和模型则可在魔搭社区与 GitHub 获取。