# Fun-ASR-Realtime – 阿里千问推出的流式实时语音识别模型

- Link: https://paooo.com/aigc-news/23963/
- Published: 2026-07-07T13:42:09+08:00
- Author: 站外新闻

## Fun-ASR-Realtime是什么

Fun-ASR-Realtime 是阿里千问推出的流式实时语音识别大模型。模型通过 WebSocket 流式
协议实现边说边出字，首字延迟百毫秒，尾字延迟同样极低。模型支持普通话、16 种方言及
30 种语言的实时识别，具备上下文理解、热词定制、情感识别、时间戳输出等能力。

阅读目录

 * [Fun-ASR-Realtime是什么](https://paooo.com/aigc-news/23963/#funasrrealtime%e6%98%af%e4%bb%80%e4%b9%88)
 * [Fun-ASR-Realtime的主要功能](https://paooo.com/aigc-news/23963/#funasrrealtime%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Fun-ASR-Realtime的技术原理](https://paooo.com/aigc-news/23963/#funasrrealtime%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [如何使用Fun-ASR-Realtime](https://paooo.com/aigc-news/23963/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8funasrrealtime)
 * [Fun-ASR-Realtime的核心优势](https://paooo.com/aigc-news/23963/#funasrrealtime%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [Fun-ASR-Realtime的同类竞品对比](https://paooo.com/aigc-news/23963/#funasrrealtime%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [Fun-ASR-Realtime的应用场景](https://paooo.com/aigc-news/23963/#funasrrealtime%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![Fun-ASR-Realtime](https://paooo.com/wp-content/uploads/2026/07/Fun-ASR-Realtime-
website-1.avif)

## Fun-ASR-Realtime的主要功能

 * **实时流式识别**：通过 WebSocket 双工通信实现低延迟音频到文本转换，支持边说边
   出字。
 * **多方言多语种支持**：覆盖 16 种方言（含粤语、吴语、闽语、客家话等）和 30 种语言，
   适配出海客服、国际会议等场景。
 * **上下文纠错**：基于历史对话上下文和实时热词进行自我纠正，如将”叶鹿”根据上下文
   修正为”夜鹭”。
 * **情感识别**：Qwen-ASR 模型支持 7 类细粒度情绪识别；Paraformer 支持 3 类极性情感
   识别。
 * **时间戳输出**：Fun-ASR 与 Paraformer 默认输出句级与字级时间戳，便于字幕对齐和
   关键词高亮。
 * **热词定制**：支持通过热词提升品牌名、人名、专有术语的识别准确率。
 * **VAD 智能断句**：服务端自动检测语音起点和终点，支持自定义静音阈值和灵敏度。
 * **非人声过滤**：自动过滤非人声内容，提升识别纯度。

## Fun-ASR-Realtime的技术原理

 * **大模型流式架构**：模型采用基于 Transformer 或 Conformer 的大模型作为骨干网络，
   通过流式推理机制实现音频边输入边输出，避免等待整段音频结束后再处理，将首字延迟
   压缩至百毫秒级。
 * **因果注意力与分块处理**：模型在推理时采用因果注意力掩码，确保每个时间步的预测
   仅依赖当前及历史音频帧，不依赖未来信息；同时通过固定长度音频分块输入，平衡延迟
   与准确率。
 * **泛 Context 强化训练**：在训练阶段引入历史对话上下文（Historical Context）和
   实时热词（Hotwords）作为辅助输入，通过上下文感知重打分（Context-aware Rescoring）
   机制，使模型能根据语境动态修正识别结果，如将叶鹿根据观鸟上下文纠正为夜鹭。
 * **多任务联合建模**：模型在语音识别主任务基础上，联合训练情感识别和语音活动检测（
   VAD）任务，通过共享编码器提取通用声学表征，在单一前向传播中同步输出转写文本、
   情感标签和断句边界。
 * **时间戳对齐机制**：基于连接时序分类（CTC）或注意力对齐路径，在解码过程中同步
   预测每个字/词在音频中的起止时间戳，输出句级和字级两种粒度，满足字幕对齐和关键
   词定位需求。

## 如何使用Fun-ASR-Realtime

 * **获取凭证**：在阿里云百炼控制台https://help.aliyun.com/zh/model-studio/real-
   time-speech-recognition-user-guide获取 API Key 并配置到环境变量。
 * **安装 SDK**：通过 pip 或 Maven 安装最新版 DashScope SDK。
 * **配置参数**：创建 Recognition 实例，设置模型名 `fun-asr-realtime`、音频格式（
   如 pcm/wav）及采样率。
 * **建立连接**：通过 WebSocket 与阿里云推理服务端建立双工连接。
 * **发送音频**：按固定帧长循环读取麦克风或音频文件数据并发送。
 * **接收结果**：在回调中处理实时返回的 `on_event` 事件，获取中间结果和句级最终结果。
 * **结束任务**：音频发送完毕后调用 `stop()` 或发送 `finish-task` 指令关闭识别会话。

## Fun-ASR-Realtime的核心优势

 * **低延迟高准确**：首字延迟百毫秒，准确率接近离线模型，实现又快又准。
 * **方言识别领先**：在 16 种方言测试中 12 类领先火山与腾讯同类产品，吴语系准确率
   行业顶尖。
 * **上下文自纠错**：具备语境理解能力，能根据后续信息自动修正前期误识别内容。
 * **工业场景鲁棒**：在复杂背景、远场嘈杂及带口音场景下，中英文识别准确率均领先竞
   品。
 * **生态接入便捷**：通过阿里云百炼平台统一提供，支持多语言 SDK 和 WebSocket 直连，
   提供完整高并发最佳实践方案。

## Fun-ASR-Realtime的同类竞品对比

  |  维度 |  Fun-ASR-Realtime |  GPT-4o-Transcribe / Realtime API |  
   |  **产品定位** |  专为流式实时语音识别设计的大模型 |  基于 GPT-4o 的转录模型，支持通过 Realtime API 流式传输或 REST 批量转录 |  
 |  **首字延迟** |  百毫秒级，原生流式架构 |  流式模式下约 300–500ms，取决于网络与 VAD 配置；批量模式无实时性 |  
 |  **流式架构** |  原生 WebSocket 双工流式，端到端优化 |  通过 Realtime API WebSocket 支持流式输入，但 transcription 模式仅在 turn 结束时返回完整结果，delta 连续性有限 |  
 |  **方言支持** |  16 种方言（吴语、闽语、客家话等），上海话 92.41% 准确率 |  99+ 语言零样本覆盖，但方言/低资源语言准确率显著下降，无中文方言专项优化 |  
 |  **上下文纠错** |  支持，可根据语境自动修正前期误识别（如”叶鹿”→”夜鹭”） |  基于 GPT-4o 语言理解能力，对歧义词（如 their/there/they’re）有上下文解析优势，但无实时跨句纠错机制 |

## Fun-ASR-Realtime的应用场景

 * **直播实时字幕**：面向长时直播、多人互动场景提供毫秒级延迟的字幕输出，支持说话
   人频繁切换和复杂赛制环境，已在影视飓风「重返荒岛」100 小时直播中验证，累计输出
   132 万字实时字幕。
 * **会议实时转写**：在远程会议、线下论坛等场景中边说边出字，输出带句级与字级时间
   戳的结构化文本，便于会后快速回溯关键发言与定位时间节点。
 * **客服通话质检**：实时识别客服与用户的双向对话内容，同步进行情感状态检测，支持
   热词定制以精准捕捉品牌名、产品名和投诉关键词，实现通话过程中的实时风险预警。
 * **语音输入法**：为移动端、车载终端、IoT 设备提供低延迟方言输入能力，支持粤语、
   吴语、闽语等 16 种方言实时转写，提升非普通话用户的输入效率与体验。