🔥36氪•近期收集於 17m
千問大模型升級實時語音識別模型 Fun-ASR-Realtime
💡阿里巴巴推出百毫秒級延遲語音模型，是構建高效能實時 AI 代理的理想選擇。
⚡ 30-Second TL;DR
有什麼變化
實現百毫秒級別的實時串流延遲
為什麼重要
此更新大幅降低了構建響應式、多語言語音 AI 代理的門檻，提升了實時互動的品質。
下一步行動
將 Fun-ASR-Realtime 整合至您的語音代理流程中，測試其相較於現有 STT 解決方案的延遲改善效果。
誰應關注：Developers & AI Engineers
關鍵要點
- •實現百毫秒級別的實時串流延遲
- •支援 30 種語言與 16 種方言
- •識別準確率接近離線模型
- •針對低延遲 AI 語音互動進行優化
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •FunASR 框架採用了 Paraformer 非自回歸端到端語音識別架構，顯著提升了推理效率與並行處理能力。
- •該模型整合了熱詞增強（Hotword Boosting）技術，允許用戶在實時場景中自定義特定領域詞彙以提高識別準確度。
- •模型架構支援長音頻流式處理，並透過 VAD（語音活動檢測）技術有效過濾靜音與背景噪音，降低計算資源消耗。
- •FunASR 專案已在 ModelScope（魔搭社區）開源，開發者可直接調用預訓練模型進行二次開發與部署。
- •該技術已廣泛應用於阿里巴巴內部的釘釘會議、直播字幕及智能客服系統，驗證了其在高併發場景下的穩定性。
📊 競品分析▸ Show
| 特性 | FunASR-Realtime | OpenAI Whisper (Realtime) | Google Cloud Speech-to-Text |
|---|---|---|---|
| 核心架構 | Paraformer (非自回歸) | Transformer (自回歸) | RNN-T / Conformer |
| 實時延遲 | 百毫秒級 (極低) | 較高 (需優化) | 低 (雲端優化) |
| 多語言支援 | 30種語言+16種方言 | 99+ 種語言 | 125+ 種語言 |
| 開源狀態 | 完全開源 | 部分開源 | 閉源 (商業API) |
🛠️ 技術深入
- 採用 Paraformer 架構：利用非自回歸機制，在解碼過程中無需依賴前序輸出，大幅降低串流延遲。
- 支援流式與非流式統一：同一模型架構可透過配置切換，滿足實時互動與離線轉寫需求。
- 聲學模型優化：結合了上下文相關的編碼器（Encoder）與預測器（Predictor），提升對口語化表達的魯棒性。
- 輕量化部署：支援 ONNX Runtime 與 TensorRT 加速，降低在邊緣設備上的運算負載。
🔮 前景展望AI analysis grounded in cited sources
語音互動將成為千問大模型生態的核心輸入方式。
百毫秒級的低延遲識別能力消除了語音輸入的滯後感，為實時語音助手與大模型對話提供了基礎。
開源語音識別技術將加速垂直行業的 AI 轉型。
FunASR 的開源特性降低了企業構建私有化語音識別系統的門檻，減少對昂貴雲端 API 的依賴。
⏳ 時間線
2022-06
阿里巴巴正式開源 FunASR 語音識別工具包。
2023-04
通義千問大模型發布，FunASR 開始與大模型能力進行深度整合。
2024-03
FunASR 升級支援多語言與方言識別，並優化實時串流性能。
2025-09
FunASR-Realtime 實現百毫秒級延遲優化，並在 ModelScope 進行大規模更新。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 36氪 ↗