---
title: "FireRedASR – 小红书开源的自动语音识别模型"
url: "https://paooo.com/aigc-news/22146/"
author: "Prompt 语宙研究院"
published_at: "2026-06-09T06:29:51+08:00"
updated_at: "2026-06-09T06:29:51+08:00"
categories: "AIGC 资讯"
tags: "AI音频与语音, 大模型微调, 小红书, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# FireRedASR – 小红书开源的自动语音识别模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/22146/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-09

## AI 30 秒核心看点 (TL;DR)

- FireRedASR 以开源工业级 ASR 为定位，在普通话基准测试中刷新 SOTA，兼顾方言、英语与歌词识别。
- LLM 版采用 Encoder-Adapter-LLM 框架，平均 CER 3.05%，较此前 SOTA 3.33% 再降 8.4%。
- AED 版参数约 1.1B，平均 CER 3.18%，在高精度与推理效率之间取得更均衡的落地方案。

## FireRedASR是什么

FireRedASR 是小红书开源的工业级自动[语音识别](https://ai-bot.cn/ai-speech-to-text-tools/)（ASR）模型家族，支持普通话、中文方言和英语，在普通话 ASR 基准测试中达到了新的最佳水平（SOTA），在歌词识别方面表现出色。 模型家族包含两个主要版本：

FireRedASR-LLM：采用 Encoder-Adapter-LLM 框架，基于大型语言模型（LLM）的能力，实现 SOTA 性能，支持无缝端到端语音交互。在普通话基准测试中平均字符错误率（CER）为 3.05%，相比之前的 SOTA 模型（3.33%）降低了 8.4%。

FireRedASR-AED：采用基于注意力的编码器-解码器（AED）架构，平衡高性能和计算效率，可作为基于 LLM 的语音模型中的有效语音表示模块。在普通话基准测试中平均 CER 为 3.18%，优于拥有超过 12B 参数的 Seed-ASR。

## FireRedASR的主要功能

- **高精度语音识别**：FireRedASR 包含两个版本，FireRedASR-LLM 和 FireRedASR-AED。其中，FireRedASR-LLM 采用 Encoder-Adapter-LLM 框架，专注于极致的语音识别精度。

- **高效推理**：FireRedASR-AED 基于经典的 Attention-based Encoder-Decoder 架构，参数量为 1.1B，平衡了高准确率与推理效率。

- **多场景适配**：FireRedASR 在多种日常场景下表现出色，包括短视频、直播、语音输入和智能助手等。与业内领先的 ASR 服务提供商和 Paraformer-Large 相比，FireRedASR-LLM 的 CER 相对降低 23.7%~40.0%。

- **歌词识别能力**：在歌词识别场景中，FireRedASR-LLM 的 CER 实现了 50.2%～66.7% 的相对降低，展现了极强的适配能力。

- **多语言支持**：FireRedASR 支持普通话，在中文方言和英语语音识别方面表现出色，进一步拓宽了其应用范围。

- **开源与社区支持**：FireRedASR 的模型和推理代码均已开源，推动语音识别技术的社区驱动改进和学术研究。

## FireRedASR的技术原理

- **FireRedASR-LLM**：FireRedASR-LLM 采用 Encoder-Adapter-LLM 框架，结合了大型语言模型（LLM）的能力，实现极致的语音识别精度。包含三个核心组件：

**Conformer 基础编码器**：负责提取语音特征，生成连续的语音表示。

- **轻量级适配器**：将编码器的输出转换为与 LLM 语义空间匹配的表示。

- **预训练文本 LLM**：基于 Qwen2-7B-Instruct 初始化，用于生成最终的文本输出。

- **训练策略**：在训练过程中，编码器和适配器是可训练的， LLM 的大部分参数保持固定，仅通过 Low-Rank Adaptation（LoRA）进行微调。确保编码器和适配器能有效地将语音特征映射到 LLM 的语义空间，同时保留 LLM 的预训练能力。

- **输入与推理**：在推理时，输入包括提示（prompt）和语音，LLM 执行 next-token-prediction，生成识别文本。

- **FireRedASR-AED**：FireRedASR-AED 基于经典的注意力机制编码器-解码器（AED）架构，平衡高性能和计算效率。由以下部分组成：

**Conformer 编码器**：基于 Conformer 模型处理语音特征，能同时捕捉局部和全局依赖关系。

- **Transformer 解码器**：采用 Transformer 架构进行序列转换，包含多头自注意力模块和前馈模块。

- **输入特征**：输入特征为 80 维的 log Mel 滤波器组，经过全局均值和方差归一化处理。

- **训练数据**：训练数据包含约 7 万小时的高质量普通话音频数据，以及约 1.1 万小时的英语音频数据。

## FireRedASR的项目地址

- **Github仓库**：[https://github.com/FireRedTeam/FireRedASR](https://github.com/FireRedTeam/FireRedASR)

- **HuggingFace模型库**：[https://huggingface.co/FireRedTeam/FireRedASR-AED-L](https://huggingface.co/FireRedTeam/FireRedASR-AED-L)

- **arXiv技术论文**：[https://arxiv.org/pdf/2501.14350](https://arxiv.org/pdf/2501.14350)

## FireRedASR的应用场景

- **智能语音助手**：FireRedASR 可以用于开发智能语音助手，如智能家居控制、智能客服等。高精度的语音识别能力能准确理解用户的语音指令，提供流畅的交互体验。

- **视频和直播**：在短视频和直播领域，FireRedASR 能实时生成字幕，帮助观众更好地理解内容。

- **歌词识别**：FireRedASR 在歌词识别场景中表现尤为突出，能广泛应用于音乐平台和卡拉OK等场景。

- **语音输入**：FireRedASR 可以用于语音输入场景，如语音打字、语音笔记等。高效的推理能力和高精度的识别效果能显著提升用户的输入效率。

## 常见问题解答 (FAQ)

### FireRedASR适合哪些语音识别场景？
它适合智能语音助手、短视频与直播字幕、语音输入、歌词识别等场景。文章显示其在普通话、中文方言和英语识别上都有较强表现，尤其适合对准确率要求高的应用。

### FireRedASR-LLM和AED有什么区别？
LLM 版采用 Encoder-Adapter-LLM 框架，追求极致识别精度；AED 版采用注意力编码器-解码器架构，更强调高性能与计算效率。前者 CER 更低，后者更适合兼顾部署效率。

### FireRedASR为什么适合做歌词识别？
文章指出 FireRedASR-LLM 在歌词识别场景中 CER 相对降低 50.2%～66.7%，说明它对复杂语音内容和文本节奏的适配能力较强，因此很适合音乐平台和卡拉OK等应用。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
