智東西
作者 王涵
編輯 心緣

智東西4月20日?qǐng)?bào)道，剛剛，阿里發(fā)布語(yǔ)音識(shí)別大模型Fun-ASR1.5，該模型是千問(wèn)端到端語(yǔ)音識(shí)別大模型的新一代版本。

該模型可以識(shí)別30種語(yǔ)言，覆蓋中文七大方言體系及20余種地方口音，并強(qiáng)化了古詩(shī)詞誦讀的專(zhuān)項(xiàng)識(shí)別。Fun-ASR1.5可以分辨出語(yǔ)音中的抑揚(yáng)頓挫，重點(diǎn)優(yōu)化了標(biāo)點(diǎn)預(yù)測(cè)和文本歸一化能力，可以應(yīng)用于會(huì)議紀(jì)要、新聞采訪整理、法律筆錄等場(chǎng)景。

技術(shù)團(tuán)隊(duì)介紹稱(chēng)，與Seed-ASR和Tencent-ASR模型相比，F(xiàn)un-ASR1.5在西班牙語(yǔ)、葡萄牙語(yǔ)和英語(yǔ)方面的識(shí)別準(zhǔn)確率成績(jī)較為突出，均在96分以上。

▲Fun-ASR1.5在開(kāi)源多語(yǔ)言測(cè)試集中獲得多項(xiàng)SOTA

中文方言方面，F(xiàn)un-ASR1.5則在四川話、閩南話、長(zhǎng)沙話、蘇州話等13種方言識(shí)別準(zhǔn)確率上，超越Seed-ASR和Tencent-ASR模型。

▲Fun-ASR1.5在工業(yè)方言測(cè)試集中獲得多項(xiàng)SOTA

智東西第一時(shí)間體驗(yàn)了其音頻轉(zhuǎn)寫(xiě)功能。我們上傳了一段三星CES 2026“First Look”演講的錄音音頻。在原音頻中，背景環(huán)境聲音嘈雜，演講人使用英語(yǔ)演講但帶有韓語(yǔ)口音，且錄制聲音較小。

Fun-ASR1.5不僅將演講內(nèi)容準(zhǔn)確完整地轉(zhuǎn)寫(xiě)了出來(lái)，還根據(jù)演講人的語(yǔ)氣和內(nèi)容，對(duì)相關(guān)語(yǔ)句進(jìn)行了大寫(xiě)強(qiáng)調(diào)處理，提高了會(huì)議轉(zhuǎn)寫(xiě)的效率。

▲智東西實(shí)測(cè)體驗(yàn)音頻轉(zhuǎn)寫(xiě)

目前用戶(hù)可以在魔搭社區(qū)體驗(yàn)該模型，開(kāi)發(fā)者可以通過(guò)阿里云百煉平臺(tái)調(diào)用API。

體驗(yàn)地址：

https://modelscope.cn/studios/iic/FunAudio-ASR

API調(diào)用地址：

https://bailian.console.aliyun.com/cn-beijing?tab=model#/efm/model_experience_center/voice?modelId=fun-asr

一、能識(shí)別30種語(yǔ)言，跨語(yǔ)言切換無(wú)需預(yù)設(shè)

Fun-ASR1.5可精準(zhǔn)識(shí)別歐洲、東亞、東南亞、南亞及中東主流語(yǔ)種，覆蓋中、英、日、韓、法、德、西、葡、俄、阿拉伯語(yǔ)等30種語(yǔ)言。

韓語(yǔ)：

https://oss.zhidx.com/0c1334bb064e4804fac98804e8864afd/69e4fc00/uploads/2026/04/69e60878d3303_69e60878cff43_69e60878cff14_%E9%9F%A9%E8%AF%AD.mp3

▲ASR結(jié)果：?? ? ??? ?? ? ?? ????, ?? ??? ??? ??? ??? ?? ?? ????.

馬來(lái)語(yǔ)：

https://oss.zhidx.com/df84f9c8e5b0a14b2d1ad18b2da036b5/69e4fc00/uploads/2026/04/69e6087aa2a56_69e6087a9effe_69e6087a9efbe_%E9%A9%AC%E6%9D%A5%E8%AF%AD.mp3

▲ASR結(jié)果：Kejayaan projek ini tidak dapat dipisahkan daripada usaha pasukan, terutamanya kerja keras siang malam oleh jabatan penyelidikan dan pembangunan.

西班牙語(yǔ)：

https://oss.zhidx.com/4ec3a38deaef8d34abd6e48199584b27/69e4fc00/uploads/2026/04/69e60884522aa_69e608844f3b1_69e608844f384_%E8%A5%BF%E7%8F%AD%E7%89%99%E8%AF%AD.mp3

▲ASR結(jié)果：La diversidad cultural es un tesoro invaluable para la sociedad humana, y debemos respetar y proteger todas las tradiciones culturales.

在跨語(yǔ)言切換（Code-Switching）場(chǎng)景下，F(xiàn)un-ASR1.5可以做到無(wú)需預(yù)設(shè)語(yǔ)種標(biāo)簽，就自動(dòng)識(shí)別并切換，保證轉(zhuǎn)寫(xiě)的準(zhǔn)確性。比如，同一段對(duì)話里夾雜多種語(yǔ)言，模型也能準(zhǔn)確識(shí)別，無(wú)需提前告訴它接下來(lái)要說(shuō)哪種語(yǔ)言。

英語(yǔ)日語(yǔ)切換：

https://oss.zhidx.com/02e1ae3cb2276d7e9741c3c7ad9dd267/69e4fc00/uploads/2026/04/69e6088478b93_69e60884757af_69e6088475780_%E8%8B%B1%E8%AF%AD%E6%97%A5%E8%AF%AD%E5%88%87%E6%8D%A2.mp3

▲ASR結(jié)果：We’ve all had that experience of finally visiting a place we’ve dreamed about for years,only to find that it doesn’t quite live up to our expectations.There’s even a term for this in one of the most visited cities in the world,Paris Syndrome.何年も前から行きたかった場(chǎng)所をやっと訪れてみたら、思っていたほどではなかったという経験は誰(shuí)しもあることだと思います。

技術(shù)團(tuán)隊(duì)介紹稱(chēng)，這種多語(yǔ)言能力，源于模型的架構(gòu)和訓(xùn)練創(chuàng)新。Fun-ASR1.5采取MoE（混合專(zhuān)家）架構(gòu)，模型內(nèi)部可以分工協(xié)作，聽(tīng)到特定語(yǔ)言時(shí)僅激活相關(guān)部分進(jìn)行處理，因而更為靈活高效。

同時(shí)，技術(shù)團(tuán)隊(duì)在模型的訓(xùn)練階段分級(jí)、分階段地使用精準(zhǔn)數(shù)據(jù)，也可以使模型更能適配真實(shí)世界中的復(fù)雜語(yǔ)音場(chǎng)景。

二、錯(cuò)字率下降56.2%，古詩(shī)詞準(zhǔn)確率達(dá)97%

在中文本土化方面，基于數(shù)十萬(wàn)小時(shí)真實(shí)方言語(yǔ)音數(shù)據(jù)訓(xùn)練，技術(shù)團(tuán)隊(duì)稱(chēng)，F(xiàn)un-ASR1.5的平均字錯(cuò)誤率（CER）相比上一版本下降56.2%。

上海話：

https://oss.zhidx.com/4d98af0e967bd26bf6003b68544ccbe8/69e4fc00/uploads/2026/04/69e6087b09883_69e6087b06100_69e6087b060d2_%E4%B8%8A%E6%B5%B7%E8%AF%9D.mp3

▲ASR結(jié)果：現(xiàn)在發(fā)展了蠻快個(gè)現(xiàn)在伊拉用戶(hù)算大戶(hù)唻。

客家話：

https://oss.zhidx.com/bb79e377f42d86250ca3f0475a018be8/69e4fc00/uploads/2026/04/69e60879186b9_69e6087914434_69e60879143ff_%E5%AE%A2%E5%AE%B6%E8%AF%9D.mp3

ASR結(jié)果：呃，那些吃的不就這樣的土筍凍啊，我覺(jué)得不好吃。

閩南話：

https://oss.zhidx.com/204cdf65dd037809c3f95eb5636ea49c/69e4fc00/uploads/2026/04/69e6087ad2b6b_69e6087acf672_69e6087acf636_%E9%97%BD%E5%8D%97%E8%AF%9D.mp3

▲ASR識(shí)別結(jié)果：但是一個(gè)人若是兩三兩百箍一百外箍安無(wú)算貴吧，吼自助餐啊，啊你也有肉咯也有菜咯也有水果咯也有甜點(diǎn)咯，啥物計(jì)有咯。

粵語(yǔ)：

https://oss.zhidx.com/0e662ae422f6836cfa6309c2abcaf4a4/69e4fc00/uploads/2026/04/69e60884aeeea_69e60884a5c5e_69e60884a5c24_%E7%B2%A4%E8%AF%AD.mp3

▲ASR結(jié)果：誒，其實(shí)可能有時(shí)候覺(jué)得去超市都幾遠(yuǎn)下噶。

此外，該模型不僅聽(tīng)得懂，還能“寫(xiě)得地道”，F(xiàn)un-ASR1.5可原汁原味還原方言，如上海話的“儂”、蘇州話“倷”（均指“你”），為下游模型處理方言文字提供了準(zhǔn)確的基礎(chǔ)語(yǔ)料。

不同于現(xiàn)代口語(yǔ)，文言語(yǔ)法特殊、典故生僻字繁多，具有不少挑戰(zhàn)。例如，文言語(yǔ)法簡(jiǎn)練，省略主謂賓；押韻嚴(yán)格，節(jié)奏固定（如五言、七言律詩(shī)）；多用典故、異體字、古今異義詞；誦讀時(shí)存在拖腔、停頓、吟詠等非自然語(yǔ)流特征。

Fun-ASR1.5對(duì)中文古詩(shī)詞識(shí)別進(jìn)行專(zhuān)項(xiàng)優(yōu)化。研究團(tuán)隊(duì)構(gòu)建了先秦至近代的古詩(shī)詞語(yǔ)音-文本對(duì)齊語(yǔ)料庫(kù)，涵蓋《詩(shī)經(jīng)》《楚辭》、李白杜甫詩(shī)集、蘇軾辛棄疾詞作等經(jīng)典文本的真人誦讀錄音。

在內(nèi)部評(píng)測(cè)集中，F(xiàn)un-ASR1.5對(duì)古詩(shī)詞的字符級(jí)準(zhǔn)確率達(dá)到97%，可應(yīng)用于國(guó)學(xué)在線課程和有聲詩(shī)詞，助力文化傳承。

https://oss.zhidx.com/b0578e51ee3b8b5f98603c402f87b730/69e4fc00/uploads/2026/04/69e6087879bee_69e608787658a_69e6087876557_%E5%8F%A4%E8%AF%97%E8%AF%8D1.mp3

▲ASR結(jié)果：蓬山此去無(wú)多路，青鳥(niǎo)殷勤為探看。

https://oss.zhidx.com/691a0349d3fdd374a0eebc4a2233d31f/69e4fc00/uploads/2026/04/69e60878ae3f2_69e60878aac04_69e60878aabd4_%E5%8F%A4%E8%AF%97%E8%AF%8D2.mp3

▲ASR結(jié)果：子夏曰，博學(xué)而篤志，切問(wèn)而近思，仁在其中矣。

三、能自動(dòng)插入標(biāo)點(diǎn)符號(hào)，口語(yǔ)表達(dá)一鍵規(guī)范

語(yǔ)音識(shí)別最終都要落腳于生成可直接使用的文本，F(xiàn)un-ASR1.5在后處理環(huán)節(jié)也重點(diǎn)優(yōu)化了標(biāo)點(diǎn)預(yù)測(cè)和文本歸一化兩項(xiàng)能力，大幅降低了會(huì)議紀(jì)要、新聞采訪整理、法律筆錄等場(chǎng)景的后期人工校對(duì)和編輯成本，具體如下：

1、標(biāo)點(diǎn)預(yù)測(cè)：更加智能模型基于上下文語(yǔ)義自動(dòng)插入逗號(hào)、句號(hào)、問(wèn)號(hào)、感嘆號(hào)等標(biāo)點(diǎn)，使轉(zhuǎn)寫(xiě)結(jié)果接近書(shū)面表達(dá)。例如：

輸入語(yǔ)音：“今天天氣怎么樣啊我想出去走走但又怕下雨”輸出文本：“今天天氣怎么樣??？我想出去走走，但又怕下雨?！?/p>

2、文本歸一化（ITN）表現(xiàn)：進(jìn)一步提升將口語(yǔ)中的非標(biāo)準(zhǔn)表達(dá)自動(dòng)轉(zhuǎn)換為規(guī)范格式：

數(shù)字：“三千五百六十二” → “3562”

日期：“二零二六年三月二十九號(hào)” → “2026年3月29日”

金額：“五萬(wàn)八千塊” → “58000元”

電話：“幺三八零零幺三八零零零” → “13800138000”

結(jié)語(yǔ)：AI語(yǔ)音模型正穩(wěn)步落地應(yīng)用

會(huì)議紀(jì)要、法律筆錄等場(chǎng)景，長(zhǎng)期處于“半自動(dòng)”應(yīng)用狀態(tài)，核心痛點(diǎn)是AI識(shí)別結(jié)果需人工進(jìn)行大量校對(duì)，不僅未能有效提升工作效率，還影響了實(shí)際工作推進(jìn)。

阿里Fun-ASR1.5針對(duì)這一痛點(diǎn)進(jìn)行定向優(yōu)化，補(bǔ)齊了傳統(tǒng)語(yǔ)音識(shí)別的部分短板，也降低了各行業(yè)引入AI語(yǔ)音技術(shù)的門(mén)檻。

目前，科大訊飛、百度、字節(jié)等企業(yè)的語(yǔ)音模型均在持續(xù)迭代，AI語(yǔ)音大模型正從技術(shù)研發(fā)逐步向?qū)嶋H應(yīng)用推進(jìn)，語(yǔ)音識(shí)別作為AI與人交互的重要入口，其實(shí)用性直接關(guān)系到行業(yè)落地的實(shí)際效果。