千问大模型宣布正式对实时语音识别大模型 Fun-ASR-Realtime 正式进行升级。一款首字延迟控制在百毫秒级别、识别准确率接近离线模型的流式语音识别模型，支持 16 种方言和 30 种语言。

据介绍， Fun-ASR-Realtime 在 7 月 2 日结束的影视飓风「重返荒岛」100 小时直播中提供了实时字幕支持，累计识别字幕6万余条、共计132万字。

在速度上，模型首字时延控制在百毫秒级别，话音刚落，文字即开始呈现；对很长的句子，尾字输出的延迟同样很低。以「重返荒岛」100小时直播为例，多人两岛互动、说话人频繁切换，赛制复杂还遇上了暴雨，观众可即时看到Tim和中国boy等嘉宾的发言字幕。

在准确率上，Fun-ASR-Realtime接近其离线模型Fun-ASR-Flash，并面向泛 Context（包含历史对话上下文和实时热词）进行了专项强化，具备上下文理解能力。譬如：直播中Tim说出的"夜鹭"最初被误识为"叶鹿"，在补充上下文"观鸟的朋友应该知道"后，模型立刻自我纠正。

在覆盖八大方言区的16种方言识别测试中，Fun-ASR-Realtime字符准确率平均为 88.62%，在12类方言上领先，超越火山与腾讯相关产品。尤其在高难度的吴语系方言上表现惊艳——上海话：92.41%，苏州话：89.21%，温州话（号称"最难懂方言"）：82.74%。在福建话、客家话等复杂方言上，模型同样全面领先。

在5类工业中文和英文场景的语音识别横向测评中，针对复杂背景、远场嘈杂以及各种带口音的场景，Fun-ASR-Realtime依然表现良好，中文平均字符准确率88.42%、英文91.58%，均领先相关产品。

在此基础上，模型面向泰语等东亚、东南亚多语言场景进行了专项优化，识别准确率提升了20%，适用于出海客服、国际会议等场景。

此外，Fun-ASR-Realtime的离线模式模型Fun-ASR-Flash也已于近期上线。在全球权威AI评测平台Artificial Analysis上，Fun-ASR-Flash（榜单上为该模型曾用名"Fun-realtime-ASR-preview"）字错率1.7%，位列全球第一。