# FireRedASR – 小红书开源的自动语音识别模型

- Link: https://paooo.com/aigc-news/22146/
- Published: 2026-06-09T06:29:51+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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：

阅读目录

 * [FireRedASR是什么](https://paooo.com/aigc-news/22146/#fireredasr%e6%98%af%e4%bb%80%e4%b9%88)
 * [FireRedASR的主要功能](https://paooo.com/aigc-news/22146/#fireredasr%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [FireRedASR的技术原理](https://paooo.com/aigc-news/22146/#fireredasr%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [FireRedASR的项目地址](https://paooo.com/aigc-news/22146/#fireredasr%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [FireRedASR的应用场景](https://paooo.com/aigc-news/22146/#fireredasr%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

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](https://paooo.com/wp-content/uploads/2026/06/FireRedASR-website-1.
avif)

## 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。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**小红书 ↗**

小红书（Xiaohongshu）是中国领先的生活方式分享社区和社交电商平台。其核心功能围绕用户
生成内容（UGC）

❓ 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。

🔬 语宙深潜追问 · 进阶实操拆解

方言和歌词识别为何更难？

因为发音变体、连读、省略和节奏变化会显著增加解码难度。实操上要补充方言语料、歌词
对齐数据和噪声增强，并针对高频混淆词做后处理纠错。

LLM版和AED版该怎么选？

如果追求最低错误率和复杂语义理解，优先选 LLM 版；如果更看重实时性、成本和部署效率，
AED 版更合适。生产中常见做法是先用 AED 跑主流程，再对疑难片段升级重识别。

🗳️ 读者观点微投票 · 您的实战立场是？

工业级ASR落地，精度和效率谁优先？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [小红书开源FireRedASR2S语音识别模型：2.89%超低字错率，支持20+方言与端到端部署](https://paooo.com/aigc-news/11425/)
 * [Seed-ASR – 字节跳动推出的AI语音识别模型](https://paooo.com/aigc-news/27379/)
 * [Reverb ASR – Rev公司开源的自动语音识别和说话人分离模型](https://paooo.com/aigc-news/26450/)
 * [阿里通义Fun-ASR1.5重磅发布：单模型支持30语言+方言识别，MoE架构引领ASR新纪元](https://paooo.com/aigc-news/10526/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/22146/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
