阿里AI语音转写工具精准识别方言准确率超越字节腾讯

智东西
作者 王涵
编辑 心缘

语音识别技术迎来重大突破。今日，阿里巴巴正式推出其新一代端到端语音识别大模型——Fun-ASR 1.5。作为通义千问语音识别模型家族的最新力作，此次升级不仅是性能的常规迭代，更在核心能力上实现了跨越式提升，为多语言、多方言场景下的精准转写树立了新标杆。

一、不止于听懂：30种语言与七大方言的精准捕捉

Fun-ASR 1.5最核心的突破在于其卓越的多语言与方言识别能力。该模型能够精准识别并转写包括中文、英文、日文、韩文、法文、德文、西班牙文、葡萄牙文、俄文、阿拉伯文等在内的全球30种主流语言。这一成就得益于其创新的混合专家（MoE）架构，模型能够智能调度内部“专家”网络，在识别特定语言时仅激活相关模块，从而在确保极高准确率的同时，实现了高效灵活的多语言语音识别。

▲Fun-ASR1.5在开源多语言测试集中获得多项SOTA（最优性能）

更值得称道的是，模型在跨语言混合对话场景下表现同样出色。无需任何预设，它便能自动识别并无缝切换对话中夹杂的多种语言，实现精准转写。例如，在国际会议或跨国商务交流中，面对中英文夹杂的发言，模型能流畅处理，极大提升了语音转写的实用价值。

对于中文用户，方言识别是刚需也是难点。Fun-ASR 1.5全面覆盖中文七大方言体系及二十余种地方口音。在四川话、闽南话、长沙话、苏州话等13种主流方言的识别准确率评测中，其表现均超越了Seed-ASR、Tencent-ASR等业界主流竞品。

▲Fun-ASR1.5在工业方言测试集中获得多项SOTA

此外，模型还能精准还原方言用字。例如，它能准确将上海话中的“侬”、苏州话中的“倷”（均意为“你”）转写为对应汉字，这为方言文化研究、地方媒体内容生产等提供了高质量、可直接使用的文本基础。

二、从“听清”到“听懂”：专项优化与智能后处理

在广度覆盖的基础上，Fun-ASR 1.5通过深度专项优化，实现了从“听清声音”到“听懂内容”的进化。针对中文及方言场景，基于海量真实语音数据训练，其平均字错误率相比上一代模型大幅降低56.2%，识别准确性显著提升。

一个颇具特色的专项优化是针对古诗词诵读的识别。古诗词文言语法特殊、生僻字多，且诵读时有独特的韵律和拖腔，对语音识别技术构成巨大挑战。研究团队为此专门构建了涵盖从《诗经》《楚辞》到唐宋名家作品的真人诵读语料库进行训练。内部测试显示，模型对古诗词的字符级识别准确率高达97%，这对于国学教育、有声诗词App、文化传承等领域具有重要应用价值。

为了生成可直接使用的文本，Fun-ASR 1.5强化了智能后处理能力，主要包括标点预测和文本归一化。

智能标点预测功能能根据语义上下文，自动为转写文本添加逗号、句号、问号等标点符号。例如，将口语化的“明天开会吗我想确认一下时间地点”自动转化为“明天开会吗？我想确认一下时间地点。”，使文本更符合阅读习惯。

文本归一化功能则负责将口语中的非标准表达转换为规范书写格式。无论是将“一千二百五”转为“1250”，还是将“下礼拜三”规范为“下周三”，或是将“两块五毛”写成“2.5元”，模型都能自动完成，极大减少了后期人工校对和整理的工作量。

▲智东西实测体验音频转写效果

在实际测试中，我们上传了一段背景嘈杂、带有口音的英文演讲音频。Fun-ASR 1.5不仅完整准确地转写了内容，还能根据演讲者的语气起伏，对关键语句进行智能强调处理。这种对语音情感和重点的初步理解，直接提升了会议纪要、访谈整理等场景的工作效率。

三、技术落地：直击行业痛点，推动AI实用化

长期以来，在会议、庭审、访谈等专业场景中，语音识别技术常陷入“半自动”窘境：机器转写的“草稿”需要大量人工进行纠错、分段和格式整理，效率提升有限。

Fun-ASR 1.5的优化方向正是直击这些行业痛点。通过提升多语言、多方言识别的准确率，并深度融合智能后处理能力，它旨在提供“开箱即用”的高质量转写文本，有效降低法律、教育、医疗、媒体、客服等行业引入AI语音技术的门槛与后期成本。

目前，普通用户可通过魔搭社区在线体验Fun-ASR 1.5模型，开发者则可基于阿里云百炼平台便捷调用其API服务。随着百度、科大讯飞、字节跳动等厂商的语音大模型也在持续演进，整个AI语音赛道正从技术竞赛快速走向规模化应用。作为人机交互的核心入口之一，语音识别实用性的每一次实质性飞跃，都意味着人工智能技术落地的根基更加坚实。