2026年7月6日，阿里通义正式发布了全新升级的实时语音识别模型 Fun-ASR-Realtime，对应的API接口已在阿里云百炼平台上线。从产品定位来看，这款模型专注于低延迟语音转文字场景——支持音频流式输入与文本流式输出，也就是说，用户一边说话，系统一边就能同步生成文字。它的典型应用场景包括：实时字幕、语音助手、会议转写、直播转写、客服通话以及多语言语音输入，几乎覆盖了所有需要“边说边转”的语音交互需求。阿里云百炼文档特别指出，该实时语音识别服务基于WebSocket协议，专为这类高实时性场景设计。

值得一提的是，单模型即可支持 30 种语言和 16 种方言，这一覆盖范围在业内堪称“野心十足”——不仅涵盖了全球主要语种，还重点覆盖了国内八大方言区的多种地方话。根据公开测试数据，在包含八大方言区的16种方言识别任务中，Fun-ASR-Realtime的字符准确率平均达到88.62%，并且在多种方言识别场景下均表现稳定。对于需要处理跨语言、带有地方口音的语音产品而言，这种“一揽子解决方案”的能力，省去了反复调用不同模型的麻烦。

在实时性方面，首字延迟可控制在百毫秒级别——这意味着用户刚开口说话，文字就会立即呈现，几乎感受不到等待。更关键的是，流式识别的准确率已接近离线识别水平——以往“实时=不够准”的妥协正在被打破。同时，该模型还支持多语言无缝切换，例如对话中既有中文又有英文，甚至夹杂方言，模型都能流畅跟进。这使得它不仅能胜任字幕、会议、客服等对响应速度敏感的场景，也能处理跨语言混合、口音复杂的语音输入需求。

复杂场景识别是本次升级的另一大亮点。Fun-ASR-Realtime支持热词增强与上下文理解：开发者可以在识别过程中动态注入品牌名、人名、地名、产品名、行业术语乃至对话上下文，从而显著改善同音词、专有名词和领域术语的识别效果。简而言之，模型不仅依靠声音特征进行识别，还能结合业务场景“精准猜词”。阿里云百炼文档已明确将 fun-asr-realtime 标注为“支持热词和方言的实时语音识别模型”。

在接入方式上，开发者通过阿里云百炼平台可直接调用 fun-asr-realtime。实时语音识别支持WebSocket API，同时提供DashScope Java、Python SDK；此外，Fun-ASR系列还支持Android和iOS SDK，这意味着无论是在服务端、移动端还是实时语音产品中，集成都相当便捷。从产品定位来看，Fun-ASR-Realtime更适合嵌入到应用和业务系统中，而非作为个人转写工具使用。对于需要实时字幕、会议转写、智能客服、语音助手、多语言沟通以及方言识别能力的团队而言，它无疑是一个现成的实时ASR模型选项。

点评

Fun-ASR-Realtime本次升级的核心思路，是将实时性、多语言、方言识别与专业词增强这四大模块整合在一起。语音识别在真实业务中面临的挑战，远不止“能不能转成文字”这么简单——复杂口音、混合语种、行业术语、品牌名、人名以及上下文语义消歧，每一个都是难点。阿里的做法是让模型在流式识别过程中，能够动态吸收业务侧的热词与上下文信息，从而降低同音词和专有词的出错率。对于企业和开发者而言，这款模型的价值主要体现在集成能力与场景适配性上：实时字幕、会议系统、客服质检、智能硬件、车载语音、教育直播、政务服务和出海业务，都是它非常契合的应用场景。尤其适合那些对低延迟、方言覆盖和行业词识别有明确需求的项目。