千问发布实时语音识别大模型Fun-ASR-Realtime

背景

实时语音识别（Real-time ASR）一直是人机交互的关键技术方向。传统流式语音识别模型需要在低延迟和高准确率之间取得平衡：离线模型准确率高但无法实时输出，流式模型延迟低却往往牺牲精度。千问大模型此次升级的 Fun-ASR-Realtime，正是在这一痛点上的重要迭代。此前，千问大模型已在 PC 端上线 AI 语音输入专业版功能，本次实时语音识别模型的发布将进一步强化其语音交互能力，为多场景应用提供底层支撑。

核心内容

千问大模型正式升级实时语音识别模型 Fun-ASR-Realtime。该模型属于流式语音识别模型（streaming ASR），核心性能指标为：首字延迟控制在百毫秒级别，识别准确率接近离线模型水平。在语言覆盖方面，Fun-ASR-Realtime 支持 16 种方言和 30 种语言，能够满足多元化场景下的语音输入需求。

关键要点

• 首字延迟控制在百毫秒级别，实现了极低延迟的实时响应
• 识别准确率接近离线模型，兼顾实时性与精度
• 支持 16 种方言，覆盖主要汉语方言变体
• 支持 30 种语言，具备多语言通用识别能力
• 模型类型为流式语音识别（streaming ASR），无需等待完整语音即可逐字输出结果

意义与影响

Fun-ASR-Realtime 的推出，将实时语音识别的实用边界大幅扩展。百毫秒级首字延迟意味着用户几乎感受不到等待时间，可用于实时会议转录、语音助手、直播字幕等场景；接近离线模型的准确率则保证了输出质量，避免频繁修正。多语言、多方言的支持使得产品能够服务于更广泛的用户群体，尤其在中国各地方言和跨国交流场景中具有实际价值。结合千问大模型此前 PC 端上线的 AI 语音输入专业版功能，可预见语音输入将成为千问生态中的重要交互入口，推动语音识别从“可用”向“好用”跃迁。