Fun-ASR1.5 – 阿里通义推出的端到端语音识别模型

Fun-ASR1.5是什么

在语音识别领域，一个模型通吃所有场景的梦想，似乎正被阿里通义团队变为现实。他们推出的Fun-ASR1.5，正是这个梦想的最新实践。这个端到端语音识别大模型，一口气将30种语言的识别能力塞进了一个模型里，更难得的是，它深入覆盖了中文的七大方言体系及二十余种地方口音，甚至对古诗词诵读做了专项优化。其核心在于，它基于MoE架构实现了自动语种切换，用户无需预设任何标签。再加上智能标点预测与文本归一化等后处理能力，Fun-ASR1.5的目标很明确：让语音转写从“能用”彻底走向“好用”。

Fun-ASR1.5的主要功能

• 多语言识别：一个模型，覆盖中、英、日、韩、法、德、西、葡、俄、阿拉伯语等30种语言，堪称语言识别界的“联合国”。
• 自动语种切换：这才是亮点——无需预设语种标签，模型能自动识别并切换Code-Switching场景下的多语言混合语音，对话中英夹杂？完全没问题。
• 方言识别：覆盖七大方言体系及二十余种地方口音，并对上海话、粤语、四川话等15种高需求方言进行了重点优化。
• 古诗词识别：构建了从先秦到近代的古诗词语音-文本对齐语料库，专门支持文言诵读的精准转写，让科技为文化传承赋能。
• 智能标点预测：基于上下文语义，自动插入逗号、句号、问号等标点符号，转写结果不再是一团“字糊”。
• 文本归一化：自动将口语中凌乱的数字、日期、金额、电话等信息，转换为清晰规范的书面格式，省去大量后期整理工作。

Fun-ASR1.5的技术原理

• MoE架构：采用混合专家架构。简单来说，就像拥有一支多语种专家团队，听到特定语言时，只激活相关“专家”进行处理，极大提升了多语言处理的灵活性与效率。
• 分级分阶段训练：在训练阶段，分级、分阶段地使用精准数据，这种策略显著提升了模型应对真实世界复杂语音场景的能力。
• 方言数据驱动：基于数十万小时的真实方言语音数据训练，成果显著——平均字错误率（CER）相比上一版本直降56.2%。
• 古诗词语料库：为了攻克古诗词难关，团队构建了涵盖《诗经》《楚辞》、李白杜甫诗集、苏轼辛弃疾词作等经典文本的真人诵读录音语料库，为高精度识别打下了坚实基础。

如何使用Fun-ASR1.5

• 阿里云百炼平台：最直接的途径是访问阿里云百炼官网，进入模型体验中心的语音板块，即可调用相关API进行集成开发。
• 魔搭社区：如果想先快速体验一把，可以访问 https://modelscope.cn/studios/iic/FunAudio-ASR ，直接在线试用模型效果。

Fun-ASR1.5的关键信息和使用要求

• 产品定位：端到端语音识别大模型。
• 支持语言：30种语言，覆盖欧洲、东亚、东南亚、南亚及中东的主流语种。
• 方言覆盖：七大方言体系，其中上海话、粤语、四川话等15种高需求方言是优化重点。
• 古诗词准确率：在内部评测集上，字符级准确率达到了97%。
• 使用方式：主要通过API调用，或前往魔搭社区在线体验。
• 无需预设：在多语言混合场景下，用户无需提前指定语种标签，模型会自动搞定。

Fun-ASR1.5的核心优势

• 单模型多语言：一个模型无缝切换30种语言，这直接减少了企业部署与维护多个模型带来的成本和复杂度。
• 方言识别领先：基于海量方言数据训练，CER较上版大幅下降56.2%，能原汁原味地还原方言文字，贴近真实需求。
• 自动Code-Switching：无需任何预设，即可流畅处理同一段对话中的多语言混合场景，这对国际化团队沟通至关重要。
• 文化场景专项优化：针对古诗词诵读的专项训练，使其字符准确率达97%，不仅是技术展示，更是对文化传承的实际助力。
• 后处理智能化：自动标点与文本归一化功能，能大幅降低会议纪要、法律笔录、媒体采访等场景的后期人工编辑成本，提升效率。

Fun-ASR1.5的同类竞品对比

Fun-ASR1.5的应用场景

• 跨国会议：在跨国会议中，它能实时精准转写多语言混合的对话内容。参会者既无需提前预设语种，也免去了在多个翻译工具间来回切换的麻烦，沟通效率直线上升。
• 智能音箱：在智能家居与车载场景中，Fun-ASR1.5能精准识别各类方言指令，让智能设备真正“听得懂乡音”，打破语音交互的普及壁垒。
• 在线教育：对于国学在线教育，它支持古诗词诵读的精准转写，以97%的字符级准确率，为传统文化的数字化学习和传承提供了可靠的技术工具。
• 新闻采访：在新闻采访与内容生产领域，其自动添加标点、并将口语化数字日期归一化的能力，能大幅减少记者和编辑的后期整理时间，加速内容产出流程。