维度网讯，中国阿里千问7月6日宣布升级实时语音识别大模型Fun-ASR-Realtime。升级后，单一模型可支持16种方言和30种语言，API已上线中国阿里云百炼平台，面向实时字幕、会议转写、语音助手、出海客服和多语言交流等场景开放调用。

这次升级的重点在“实时”和“复杂语音覆盖”两个方向。Fun-ASR-Realtime作为流式语音识别模型，强调在用户说话过程中同步输出文字，首字延迟控制在百毫秒级别，长句尾字输出延迟较低。相比录音结束后再统一转写的离线识别，实时识别更考验模型对语音片段、上下文、停顿、噪声和口音变化的连续判断能力。会议、直播、客服和智能硬件场景中，用户不会等一句话完全结束才需要结果，系统必须边听边识别，并尽量减少前后文变化带来的误判。

在方言能力上，Fun-ASR-Realtime覆盖八大方言区的16种方言。相关测试中，该模型字符准确率平均为88.62%，并在12类方言识别上领先中国火山相关产品和中国腾讯相关产品。方言识别长期是语音技术中的难点，因为不同地区在声母、韵母、声调、语速、连读和词汇表达上差异较大，同一句普通话词汇在真实口语中可能被不同口音改写。模型如果只适配标准普通话，进入客服、直播、短视频、政务热线、车载语音和智能终端场景后，很容易出现转写错误。阿里千问这次把16种方言纳入同一实时模型，意味着企业接入时不需要为不同地区单独部署多套识别能力。

多语言能力则指向更广的商业使用场景。Fun-ASR-Realtime支持30种语言，并面向泰语等东亚、东南亚多语言场景做了专项优化，识别准确率提升20%。这类能力更适合跨境客服、国际会议、海外直播、跨国企业培训、旅游服务、国际电商和本地化运营。对于出海企业来说，语音识别不只是把声音转成文字，还关系到客服质检、工单生成、会议纪要、字幕翻译、销售线索整理和合规留痕。实时模型如果能够同时处理多语言和口音问题，企业在海外业务中就可以减少人工转写和重复整理成本。

此次升级还把上下文能力放到了更重要的位置。实时语音识别容易受到环境噪声、多人说话、专业词汇和临时热词影响，尤其在直播、工业现场、医疗问诊、金融客服和技术会议中，人名、品牌名、产品型号、设备名称经常不是通用词。Fun-ASR-Realtime面向泛Context能力进行了强化，可结合历史对话上下文和实时热词改善识别结果。例如在直播场景中，模型可根据前后语义把容易听错的词重新校正，让字幕更贴近真实表达。这种能力比单纯提高普通话听写分数更接近实际业务需求。

中国阿里云百炼平台上线API后，开发者和企业可以把Fun-ASR-Realtime接入自己的业务系统。接入方式将影响模型落地速度：如果语音识别能力只能在单一产品中使用，它更像工具功能;如果通过API进入客服系统、会议系统、智能硬件、直播平台、车载系统和企业办公平台，它就会变成底层语音基础设施。Fun-ASR-Realtime与近期上线的离线模式模型Fun-ASR-Flash形成组合，前者适合实时字幕和语音交互，后者更适合录音文件、长音频、访谈和批量转写任务。实时与离线两类模型同时进入百炼平台，也让企业可以按场景选择不同识别路径。

语音识别模型的竞争正在从“能不能听懂普通话”，转向“能不能听懂真实世界里的复杂声音”。用户可能带口音，说话时会停顿、重复、插入英文词、切换语言，也可能处在会议室、直播间、工厂、车内或户外环境。Fun-ASR-Realtime这次把方言、多语言、低延迟、上下文热词和API服务放到同一个升级中，实际瞄准的是更复杂的企业级语音入口。它能覆盖多少行业词汇，能否在高并发调用中保持低延迟，能不能适配更多噪声场景，将直接决定这类实时语音模型在商业系统中的使用深度。