Fun-ASR-Realtime语音模型升级：百毫秒首字延迟，直播字幕更稳了

Fun-ASR-Realtime升级后，实时语音识别更像“现场字幕机”了

阿里云最新升级的Fun-ASR-Realtime，把实时语音识别的体验又往前推了一步。它主打流式识别，能做到边说边出字，首字延迟控制在百毫秒级，长句尾字延迟也比较低。对于直播字幕、会议记录、客服通话这类场景来说，这种速度非常关键。

和离线识别相比，实时模型更考验速度与准确率的平衡。Fun-ASR-Realtime这次的提升点很实用：不仅能更快出字，还能根据上下文自动纠错，减少“听错一个词，后面整句都偏了”的情况。

核心能力有哪些？

• 支持流式识别，适合直播、会议、通话等实时场景
• 首字延迟低，百毫秒级响应，字幕出现更及时
• 支持16种方言和30种语言，覆盖更广
• 具备上下文理解能力，可实时纠错
• 在复杂工业中文、英文环境中也有较好的识别表现

如果把语音识别模型分成两类，离线模型更像“事后整理员”，实时模型更像“现场记录员”。前者适合录音回放、音频归档；后者则更适合需要即时反馈的场景。Fun-ASR-Realtime的定位很明确，就是把“现场记录”做得更快、更准。

直播字幕场景，体验提升最明显

这次升级最容易让人感知到的，就是直播字幕。

在影视飓风“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。荒岛直播的环境本身就很考验模型：说话人切换频繁、背景复杂、内容连续不断，字幕如果跟不上，观众体验会明显下降。

Fun-ASR-Realtime的优势在这种场景里很直观：

• 嘉宾刚说完，字幕就能迅速跟上
• 多人对话时，断句和跟读更自然
• 长时间直播也能保持稳定输出

对于内容平台、活动直播、在线发布会来说，这类能力可以直接提升观看体验，也能帮助后续做内容检索和回放整理。

上下文纠错，让识别结果更像“听懂了”

上下文纠错是这次升级里很有价值的一点。模型不只是机械识别音频，还会结合历史对话和实时热词来判断语义。

比如直播里嘉宾提到“夜鹭”，如果模型一开始误识成“叶鹿”，在后续语境里出现“观鸟的朋友应该知道”这类信息后，系统就能迅速修正。对用户来说，这种纠错能力很重要，因为很多语音场景里，错一个词不只是小瑕疵，还会影响整段内容的理解。

这也是实时语音识别真正拉开差距的地方：不是单纯“听见”，而是尽量“听懂”。

方言和多语言表现，覆盖更广的真实场景

方言识别和多语言识别，一直是中文语音模型的重要考题。Fun-ASR-Realtime这次支持16种方言、30种语言，在八大方言区的测试中，平均字符准确率达到88.62%。

一些代表性结果也比较亮眼：

• 上海话：92.41%
• 苏州话：89.21%
• 温州话：82.74%

同时，模型还针对泰语等东南亚多语言场景做了专项优化，识别准确率提升约20%。这意味着它不只是适合普通话环境，在更复杂的跨语言内容里也有实用价值。

多语言识别能力的提升，对出海业务、国际会议、跨境客服都很有帮助。尤其是内容平台，如果要做字幕、转写或检索，多语言支持会明显扩大可用范围。

工业场景也能用，噪声环境下不容易“掉线”

除了直播和办公，Fun-ASR-Realtime还在工业中文和英文场景里做了测试。结果显示，在复杂背景、远场嘈杂、带口音等条件下，模型平均字符准确率分别为88.42%和91.58%。

这类场景对语音识别很苛刻，因为现场经常会有机器噪声、距离远、多人同时说话等问题。模型能在这些条件下保持较稳定的识别效果，说明它不只是“实验室表现好”，也具备一定的实际部署价值。

离线模型Fun-ASR-Flash也同步上线

如果业务更偏向录音整理、事后转写，离线模型Fun-ASR-Flash也值得关注。它近期已上线，并在Artificial Analysis上以“Fun-realtime-ASR-preview”的榜单名拿到1.7%的错字率，位列全球第一。

简单来说：

• Fun-ASR-Realtime：适合实时字幕、边说边转写
• Fun-ASR-Flash：适合离线高精度转写、录音整理

两款模型一起上线后，实际使用场景就更完整了。一个负责“快”，一个负责“准”，企业可以根据需求灵活选择。

哪些人会最需要这次升级？

• 做直播字幕的团队：需要低延迟和高稳定性
• 做会议记录的企业：希望实时转写更省人工
• 做客服质检的业务：需要快速识别通话内容
• 做出海内容的平台：需要多语言和方言支持
• 做工业语音分析的项目：需要应对噪声和口音

如果说以前的语音识别更像“能用”，那这次Fun-ASR-Realtime升级后的体验更接近“真能上生产环境”。它的价值不只是参数更好看，而是能把字幕、转写、检索这些看似基础的功能，做得更及时、更稳定、更适合真实业务。

对于想提升内容效率的团队来说，这类模型的意义很直接：减少人工听打成本，提升信息同步速度，也让直播、会议、客服等场景的内容处理更顺畅。