2026年07月06日，阿里通义升级实时语音识别模型 Fun-ASR-Realtime，API 已上线阿里云百炼平台。该模型面向低延迟语音转文字场景，支持音频流式输入和文本流式输出，可用于实时字幕、语音助手、会议转写、直播转写、客服通话和多语言语音输入等应用。阿里云百炼文档显示，实时语音识别基于 WebSocket 协议，适用于需要边说边转写的语音交互场景。
Fun-ASR-Realtime 单模型支持 30 种语言与 16 种方言，重点覆盖多语言、地方方言和跨区域语音识别需求。公开信息显示，该模型在覆盖八大方言区的 16 种方言识别测试中，字符准确率平均为 88.62%，并在多类方言识别任务中取得较好表现。
在实时性方面，Fun-ASR-Realtime 的首字延迟可控制在百毫秒级别，流式识别准确率接近离线识别水平，同时支持多语言无缝切换。这意味着模型既可以用于字幕、会议、客服等对响应速度要求较高的场景，也可以处理跨语言、混合语种和区域口音较复杂的语音输入。
复杂场景识别是此次升级的另一个重点。Fun-ASR-Realtime 支持热词增强和上下文理解，可在识别过程中动态注入品牌名、人名、地名、产品名、行业术语和对话上下文，用于改善同音词、专有名词和领域词的识别效果。阿里云百炼文档也将 fun-asr-realtime 标注为支持热词和方言的实时语音识别模型。
接入方式上，开发者可以通过阿里云百炼平台调用 fun-asr-realtime。实时语音识别支持 WebSocket API，也支持 DashScope Java、Python SDK；Fun-ASR 系列还支持 Android 和 iOS SDK，便于在服务端、移动端和实时语音产品中集成。
从产品定位看，Fun-ASR-Realtime 更适合被集成到应用和业务系统中，而不是作为单独的个人转写工具使用。对于需要实时字幕、会议转写、智能客服、语音助手、多语言沟通和方言识别能力的开发者与企业团队，它可以作为阿里云百炼语音识别体系中的实时 ASR 模型选择。
AIHub点评
Fun-ASR-Realtime 的升级重点在于把实时性、多语言、方言识别和专业词增强结合起来。语音识别模型在真实业务中的难点，往往不只是“能不能转成文字”，还包括复杂口音、混合语种、行业术语、品牌名、人名和上下文语义消歧等细节。
对于企业和开发者来说，Fun-ASR-Realtime 的价值主要体现在集成能力和场景适配上。它适合用于实时字幕、会议系统、客服质检、智能硬件、车载语音、教育直播、政务服务和出海业务等场景，尤其适合对低延迟、方言覆盖和行业词识别有要求的语音应用。
©版权声明：如无特殊说明，本站所有内容均为AIHub.cn原创发布和所有。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。否则，我站将依法保留追究相关法律责任的权利。