阿里通义发布新一代语音识别大模型 Fun-ASR：更准、更懂场景

阿里通义实验室近日推出新一代端到端语音识别大模型 Fun-ASR。该模型基于大语言模型（LLM）能力构建，在家装、保险、畜牧等多个垂直行业的语音识别准确率提升15%以上，部分场景最高提升达18%，显著增强语音转写在真实业务中的可用性。

目前，Fun-ASR 已应用于会议字幕、同声传译、智能纪要生成、语音助手等场景，未来将正式上线阿里云百炼平台，向更多企业和开发者开放。

什么是 Fun-ASR？

Fun-ASR 是一个由大语言模型驱动的端到端语音识别系统，其核心目标是解决传统 ASR（自动语音识别）在复杂场景下的三大难题：

• 专业术语识别不准
• 上下文理解能力弱
• 多语种、多方言、噪声环境适应性差

它并非简单的“语音转文字”工具，而是一个具备语义理解、上下文感知和领域适配能力的智能语音引擎。

技术亮点：从“听清”到“听懂”

1. 大模型驱动，语言能力更强

Fun-ASR 基于通义自研语音算法，并结合 Qwen3 大模型进行监督微调（SFT），在文本生成与语义理解层面获得显著增强。

相比传统ASR仅依赖声学和语言模型拼接，Fun-ASR 实现了声学信号与语言理解的深度融合，能更好地处理口语化表达、省略句、长句断句等问题。

2. 集成 RAG：让模型“边查边听”

Fun-ASR 首次在语音识别系统中引入 RAG（检索增强生成）机制，支持：

• 最多导入 1000+ 自定义热词
• 自动检索相关领域文档、前序对话记录
• 动态增强关键词识别能力

例如，在保险理赔场景中，系统可自动加载“免赔额”“定损”“第三方责任险”等术语库，大幅提升专业词汇识别准确率。

3. 强化学习优化，减少“幻觉”输出

为防止模型在低信噪比或模糊发音下“脑补”错误内容（即“幻觉”），通义团队在训练中引入 强化学习（RL）策略，通过奖励机制引导模型：

• 优先输出高置信度内容
• 对不确定部分保持保守
• 减少误识别和虚构文本

实测表明，该策略有效提升了系统整体的可靠性与稳定性。

4. 多方言、多环境适应性强

Fun-ASR 在方言和复杂声学环境下的表现尤为突出：

• ✅ 方言支持：在四川话、粤语、闽南语等方言上，识别准确率领先同类产品
• ✅ 远场拾音：适用于会议室、展厅等远距离收音场景
• ✅ 近场降噪：在工位、超市、户外等嘈杂环境中仍能保持高准确率

无论是电话录音、现场访谈，还是移动设备采集的语音，Fun-ASR 均能稳定输出高质量转写结果。

行业实测：垂直领域准确率显著提升

Fun-ASR 在训练中使用了上亿小时的音频数据，覆盖互联网、科技、家装、畜牧、汽车、金融等十余个行业，积累了丰富的专业术语和语境知识。

实测数据显示：

在保险行业，面对大量口语化描述和专业术语混合的对话，Fun-ASR 能准确识别“重疾险”“现金价值”“等待期”等关键词，显著提升保单录入与客服质检效率。

在家装场景中，对“乳胶漆”“轻钢龙骨”“地暖回填”等施工术语的识别能力大幅提升，助力设计师沟通记录自动化。

应用场景：不止于“转写”

Fun-ASR 已在多个实际场景中落地：

• 🎤 会议字幕与同传：实时生成中英双语字幕，支持多人对话分离
• 📝 智能纪要：自动提取会议要点、待办事项、决策结论
• 🧠 语音助手：提升指令理解准确率，支持复杂上下文交互
• 🔍 内容检索：结合RAG能力，实现语音内容的关键词定位与知识关联

未来，Fun-ASR 将上线 阿里云百炼平台，企业可通过API快速集成，构建专属的语音处理 pipeline。

通义音频矩阵持续完善

截至目前，通义实验室已在音频领域布局完整技术栈：

覆盖从“听”到“说”、从“识别”到“生成”的全链路需求，形成完整的音频大模型体系。