阿里通义Fun-ASR语音模型升级，垂直场景识别准确率提升15%

8月22日消息，阿里通义于今日正式推出新一代端到端语音识别大模型Fun-ASR。该模型在上下文感知和高精度语音转写方面实现显著突破，在家装、保险等多个行业场景中的语音识别准确率平均提升超过15%。

据了解，Fun-ASR是一款基于大语言模型驱动的语音识别算法。其依托自研语音算法，结合监督微调的Qwen3进行训练，采用前沿模型架构与先进的文本模态对齐技术，显著增强了大模型的语言理解与处理能力。

此外，该模型还集成RAG方案，支持自动化音频信息检索，最高可导入超过1000个自定义热词。基于这一功能，系统能够根据输入的音频内容，精准调用相关领域的热词库、文档及上下文记录，从而大幅提升特定场景下的关键词识别效果。

为应对语音识别中常见的噪声干扰、语种混淆及生成幻觉等问题，通义团队在ASR模型训练中引入强化学习（RL）技术。该策略有效抑制了识别过程中的幻觉现象，显著提高了系统的准确率与稳定性。

值得一提的是，Fun-ASR在多种方言识别方面表现突出，尤其在四川话、粤语、闽南语等方言处理上优于同类产品。

该模型还具备出色的环境适应性，无论是远场拾音还是近场降噪，在会议室、办公区、超市乃至户外等多种复杂声学环境中，均能保持较高的识别准确率。

在训练数据方面，Fun-ASR基于上亿小时的大规模音频数据进行训练，覆盖互联网、科技、家装、畜牧、汽车等十余个垂直领域，显著提升专业术语的识别能力。

实测结果表明，Fun-ASR在保险行业的语音识别准确率提升达18%，在家装、畜牧等领域的提升幅度也稳定在15%至20%之间。