阿里千问 Fun-ASR-Realtime：百毫秒级实时语音识别，中文方言全面领先
阿里千问 Fun-ASR-Realtime：百毫秒级实时语音识别，中文、方言全面领先
发布时间： 2026年7月
来源： GitHub: FunASR · GitHub: SenseVoice
配图： 无
概述
阿里千问团队宣布对 Fun-ASR-Realtime 进行正式升级——一款首字延迟控制在百毫秒级别、识别准确率接近离线模型的流式语音识别模型，支持 16 种中文方言和 30 种语言。
该模型已通过真实场景验证：在影视飓风「重返荒岛」100 小时直播中提供实时字幕支持，累计识别 6 万余条字幕、132 万字。
一、FunASR 生态概览
Fun-ASR-Realtime 并非独立模型，而是 FunASR 开源生态中的流式语音识别能力品牌。FunASR 是阿里通义实验室（达摩院）开源的工业级语音识别工具包，GitHub 主仓库 ⭐19,105：
| 项目 | GitHub | Stars | 协议 |
|---|---|---|---|
| FunASR 工具包 | modelscope/FunASR | 19,105 | MIT |
| Fun-ASR-Nano 模型 | FunAudioLLM/Fun-ASR | 1,373 | Apache-2.0 |
| SenseVoice | FunAudioLLM/SenseVoice | 8,821 | 开源 |
二、Fun-ASR-Realtime 技术特点
2.1 超低延迟
- 首字延迟：<100ms — 话音刚落，文字即开始呈现
- 长句尾字输出：同样低延迟
- 2-Pass 机制：第一遍流式低延迟输出中间结果，第二遍在句尾用高精度修正
2.2 高识别准确率
| 测试场景 | 准确率 |
|---|---|
| 中文综合 ACC | 88.42% |
| 英文综合 ACC | 91.58% |
| 上海话 | 92.41% |
| 苏州话 | 89.21% |
| 温州话 | 82.74% |
| 福建话/客家话 | 全面领先竞品 |
2.3 上下文理解与自我纠错
Fun-ASR-Realtime 面向 泛 Context（包含历史对话上下文和实时热词）进行了专项强化。直播案例中：当 Tim 说出"夜鹭"被误识为"叶鹿"后，模型在接收到补充上下文"观鸟的朋友应该知道"后立刻自我纠正。
2.4 方言与多语言覆盖
| 类别 | 范围 |
|---|---|
| 中文方言 | 16 种（八大方言区全覆盖） |
| 国际语言 | 30 种（含泰语等东亚/东南亚语言） |
| 泰语优化 | 识别准确率提升 20% |
三、Fun-ASR-Flash（离线版）
同步升级的离线模式模型 Fun-ASR-Flash，核心基于 Fun-ASR-Nano（SenseVoice 编码器 234M + Qwen3-0.6B 解码器 600M = 800M 参数）：
| 指标 | 数值 |
|---|---|
| 全球权威平台 Artificial Analysis 字错率 | 1.7%，全球第一 🏆 |
| AIShell-1 中文 CER | 1.80%（Whisper-large-v3 为 4.72%） |
| 推理速度（vLLM） | 340 倍实时 |
| 对比 Whisper 速度提升 | 26 倍 |
四、与 Whisper 等主流方案的对比
| 维度 | FunASR（阿里） 🏆 | Whisper（OpenAI） | Deepgram |
|---|---|---|---|
| 最高速度 | 340x 实时 🚀 | 13x 实时 | ~1x 实时 |
| CPU 可用 | ✅ 17x 实时 | ❌ | 不适用 |
| 中文 CER（AIShell-1） | 1.80% 🏆 | 4.72% | - |
| 方言支持 | 16 种 🏆 | 有限 | 有限 |
| 流式识别 | ✅ WebSocket | ❌ | ✅ |
| 说话人分离 | ✅ 内置 | ❌ 需额外 pipeline | ✅ |
| 情感识别 | ✅ 内置 | ❌ | ❌ |
| 私有部署 | ✅ MIT 开源 | ✅ MIT 开源 | ❌ 仅云端 |
| 费用 | 免费 ✅ | 免费 | $0.0043/秒 |
核心优势：中文 + 方言精度远超 Whisper（Whisper 中文 CER 20% vs FunASR 7.81%），CPU 上比 Whisper 在 GPU 上还快，且内置说话人分离和情感识别。
五、开源状态
FunASR 整个生态完全开源：
| 组件 | 协议 | 商用友好 |
|---|---|---|
| FunASR 工具包 | MIT | ✅ 无限制 |
| Fun-ASR-Nano 模型 | Apache-2.0 | ✅ 可商用 |
| SenseVoice | 开源 | ✅ 可商用 |
所有模型权重可通过 ModelScope 和 HuggingFace 下载，支持完全本地私有化部署。
六、总结
- 中文 ASR 的标杆水平：在中文和方言识别精度上全面超越 Whisper，Artificial Analysis 全球第一
- 工业级可用：经过影视飓风 100 小时直播的压力验证
- 效率极高：800M 参数即可实现领先效果，推理速度 340 倍实时
- 完全开源：MIT/Apache-2.0 协议，可私有化部署
- 生态完整：流式/离线、对话/翻译、说话人分离/情感识别，一站式方案
本文基于 GitHub 仓库、FunASR 官方基准、Artificial Analysis 等公开资料整理。