Fun-ASR-Realtime - 阿里千问流式实时语音识别模型

Fun-ASR-Realtime是什么

Fun-ASR-Realtime 是阿里千问推出的流式实时语音识别大模型。模型通过 WebSocket 流式协议实现边说边出字，首字延迟百毫秒，尾字延迟同样极低。模型支持普通话、16 种方言及 30 种语言的实时识别，具备上下文理解、热词定制、情感识别、时间戳输出等能力。

Fun-ASR-Realtime的主要功能

• 实时流式识别：通过 WebSocket 双工通信实现低延迟音频到文本转换，支持边说边出字。
• 多方言多语种支持：覆盖 16 种方言（含粤语、吴语、闽语、客家话等）和 30 种语言，适配出海客服、国际会议等场景。
• 上下文纠错：基于历史对话上下文和实时热词进行自我纠正，如将”叶鹿”根据上下文修正为”夜鹭”。
• 情感识别：Qwen-ASR 模型支持 7 类细粒度情绪识别；Paraformer 支持 3 类极性情感识别。
• 时间戳输出：Fun-ASR 与 Paraformer 默认输出句级与字级时间戳，便于字幕对齐和关键词高亮。
• 热词定制：支持通过热词提升品牌名、人名、专有术语的识别准确率。
• VAD 智能断句：服务端自动检测语音起点和终点，支持自定义静音阈值和灵敏度。
• 非人声过滤：自动过滤非人声内容，提升识别纯度。

Fun-ASR-Realtime的技术原理

• 大模型流式架构：模型采用基于 Transformer 或 Conformer 的大模型作为骨干网络，通过流式推理机制实现音频边输入边输出，避免等待整段音频结束后再处理，将首字延迟压缩至百毫秒级。
• 因果注意力与分块处理：模型在推理时采用因果注意力掩码，确保每个时间步的预测仅依赖当前及历史音频帧，不依赖未来信息；同时通过固定长度音频分块输入，平衡延迟与准确率。
• 泛 Context 强化训练：在训练阶段引入历史对话上下文（Historical Context）和实时热词（Hotwords）作为辅助输入，通过上下文感知重打分（Context-aware Rescoring）机制，使模型能根据语境动态修正识别结果，如将叶鹿根据观鸟上下文纠正为夜鹭。
• 多任务联合建模：模型在语音识别主任务基础上，联合训练情感识别和语音活动检测（VAD）任务，通过共享编码器提取通用声学表征，在单一前向传播中同步输出转写文本、情感标签和断句边界。
• 时间戳对齐机制：基于连接时序分类（CTC）或注意力对齐路径，在解码过程中同步预测每个字/词在音频中的起止时间戳，输出句级和字级两种粒度，满足字幕对齐和关键词定位需求。

如何使用Fun-ASR-Realtime

• 获取凭证：在阿里云百炼控制台https://help.aliyun.com/zh/model-studio/real-time-speech-recognition-user-guide获取 API Key 并配置到环境变量。
• 安装 SDK：通过 pip 或 Maven 安装最新版 DashScope SDK。
• 配置参数：创建 Recognition 实例，设置模型名 fun-asr-realtime、音频格式（如 pcm/wav）及采样率。
• 建立连接：通过 WebSocket 与阿里云推理服务端建立双工连接。
• 发送音频：按固定帧长循环读取麦克风或音频文件数据并发送。
• 接收结果：在回调中处理实时返回的 on_event 事件，获取中间结果和句级最终结果。
• 结束任务：音频发送完毕后调用 stop() 或发送 finish-task 指令关闭识别会话。

Fun-ASR-Realtime的核心优势

• 低延迟高准确：首字延迟百毫秒，准确率接近离线模型，实现又快又准。
• 方言识别领先：在 16 种方言测试中 12 类领先火山与腾讯同类产品，吴语系准确率行业顶尖。
• 上下文自纠错：具备语境理解能力，能根据后续信息自动修正前期误识别内容。
• 工业场景鲁棒：在复杂背景、远场嘈杂及带口音场景下，中英文识别准确率均领先竞品。
• 生态接入便捷：通过阿里云百炼平台统一提供，支持多语言 SDK 和 WebSocket 直连，提供完整高并发最佳实践方案。

Fun-ASR-Realtime的同类竞品对比

维度Fun-ASR-RealtimeGPT-4o-Transcribe / Realtime API产品定位专为流式实时语音识别设计的大模型基于 GPT-4o 的转录模型，支持通过 Realtime API 流式传输或 REST 批量转录首字延迟百毫秒级，原生流式架构流式模式下约 300–500ms，取决于网络与 VAD 配置；批量模式无实时性流式架构原生 WebSocket 双工流式，端到端优化通过 Realtime API WebSocket 支持流式输入，但 transcription 模式仅在 turn 结束时返回完整结果，delta 连续性有限方言支持16 种方言（吴语、闽语、客家话等），上海话 92.41% 准确率99+ 语言零样本覆盖，但方言/低资源语言准确率显著下降，无中文方言专项优化上下文纠错支持，可根据语境自动修正前期误识别（如”叶鹿”→”夜鹭”）基于 GPT-4o 语言理解能力，对歧义词（如 their/there/they’re）有上下文解析优势，但无实时跨句纠错机制

Fun-ASR-Realtime的应用场景

• 直播实时字幕：面向长时直播、多人互动场景提供毫秒级延迟的字幕输出，支持说话人频繁切换和复杂赛制环境，已在影视飓风「重返荒岛」100 小时直播中验证，累计输出 132 万字实时字幕。
• 会议实时转写：在远程会议、线下论坛等场景中边说边出字，输出带句级与字级时间戳的结构化文本，便于会后快速回溯关键发言与定位时间节点。
• 客服通话质检：实时识别客服与用户的双向对话内容，同步进行情感状态检测，支持热词定制以精准捕捉品牌名、产品名和投诉关键词，实现通话过程中的实时风险预警。
• 语音输入法：为移动端、车载终端、IoT 设备提供低延迟方言输入能力，支持粤语、吴语、闽语等 16 种方言实时转写，提升非普通话用户的输入效率与体验。