0
8月22日,阿里通義發布新一代端到端的語音識別大模型Fun-ASR,該模型增強了上下文感知和高精度語音轉寫能力，在家裝、保險等多個行業場景的語音識別準確率均提升了15%以上。目前，Fun-ASR已應用于會議字幕與同傳、智能紀要、語音助手等場景，未來該模型將進一步在阿里云百煉上線。
Fun-ASR是大語言模型驅動的語音識別算法，其基于自研語音算法和監督微調的Qwen3訓練，并采用前沿的模型架構以及先進的文本模態對齊技術，可有效保護和增強大模型的語言處理能力；此外，Fun-ASR集成了RAG方案，可提供自動化音頻信息檢索功能，最高可導入1000多個自定義熱詞。基于該功能，系統能夠根據輸入音頻精確獲取相關領域熱詞、文檔及前文記錄，大幅提升特定領域內的關鍵詞識別效果。
Fun-ASR架構圖
為解決語音識別不準確、噪聲干擾、語種混淆以及生成幻覺等問題，通義團隊還在ASR模型訓練中引入了RL（強化學習）技術，此策略有效減少識別過程中的幻覺，提高整體系統的準確性與可靠性。在四川話、粵語、閩南語等多地方言上，Fun-ASR取得了領先同類產品的表現。此外，Fun-ASR對遠場拾音和近場降噪的等多樣環境也表現出了良好的適應性，無論是會議室、工位，還是超市、戶外，均可有效保證識別準確率。
在訓練數據上，Fun-ASR基于上億小時音頻數據的訓練，全面涵蓋了互聯網、科技、家裝、畜牧、汽車等十多個領域的專業術語，在多個垂直領域的識別準確率顯著提升。實測數據顯示，Fun-ASR在保險行業的準確率較以往提升18%，在家裝、畜牧等行業也實現了15%-20%的提升。
在音頻領域，通義實驗室已推出語音生成大模型 Cosyvoice、端到端音頻多模態大模型MinMo、音頻生成模型ThinkSound等模型，全面覆蓋語音識別、語音合成、音頻生成、音頻理解等場景。
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
