结论先行：2026 年 7 月 6 日，阿里通义升级实时语音识别模型 Fun-ASR-Realtime，API 已上线阿里云百炼平台。该模型面向低延迟语音转文字场景，支持音频流式输入与文本流式输出，单模型覆盖 30 种语言与 16 种方言。公开信息显示，在覆盖八大方言区的 16 种方言识别测试中，其字符准确率平均为 88.62%。
实时语音识别的技术前提：WebSocket 与双流式
据阿里云百炼文档，实时语音识别基于 WebSocket 协议，适用于需要“边说边转写”的语音交互场景。Fun-ASR-Realtime 支持音频流式输入和文本流式输出，也就是不必等用户说完一整段，模型就可以边接收音频边吐出文字。
这一点决定了它和离线转写产品的分野：离线转写追求整体最优准确率，允许等待；实时识别追求的是“尽快给出可用结果”，延迟和准确率必须一起被优化。典型应用包括实时字幕、语音助手、会议转写、直播转写、客服通话和多语言语音输入。
覆盖范围：30 种语言与 16 种方言
Fun-ASR-Realtime 单模型支持 30 种语言与 16 种方言，重点覆盖多语言、地方方言和跨区域语音识别需求。据公开信息，在覆盖八大方言区的 16 种方言识别测试中，字符准确率平均为 88.62%。
中文语音识别真正的难点往往不在普通话，而在方言与口音。一个模型要同时处理 30 种语言和 16 种方言，意味着它必须在共享表示和多语言/多方言专有特征之间取得平衡，否则新增语种会拖累原有语种的表现。
首字延迟与流式准确率
在实时性方面，Fun-ASR-Realtime 的首字延迟可控制在百毫秒级别，流式识别准确率接近离线识别水平，同时支持多语言无缝切换。首字延迟是用户体感最敏感的指标——字幕晚半秒出现，观感就会明显断裂。
复杂场景的两个抓手：热词与上下文
复杂场景识别是此次升级的另一个重点。Fun-ASR-Realtime 支持热词增强和上下文理解，可在识别过程中动态注入品牌名、人名、地名、产品名、行业术语和对话上下文，用于改善同音词、专有名词和领域词的识别效果。阿里云百炼文档也将其标注为支持热词和方言的实时语音识别模型。
对真实业务来说，这一项的价值常被低估。通用模型在通用语料上表现良好，但一遇到公司名、产品型号、行业黑话就容易失手。热词增强本质上是给模型一张“当前场景的专有名词表”，让它在歧义处优先选择业务相关的候选。
接入方式与集成形态
| 接入方式 | 说明 | 适用端 |
|---|---|---|
| WebSocket API | 实时语音识别主通道，边说边转写 | 服务端、实时产品 |
| DashScope SDK | 提供 Java、Python SDK | 后端服务集成 |
| Fun-ASR 移动端 SDK | 支持 Android 与 iOS SDK | 移动端、智能硬件 |
| 阿里云百炼平台 | 模型调用与配置入口 | 开发者与企业团队 |
从产品定位看，Fun-ASR-Realtime 更适合被集成到应用和业务系统中，而不是作为单独的个人转写工具使用。它适合用于实时字幕、会议系统、客服质检、智能硬件、车载语音、教育直播、政务服务和出海业务等场景，尤其适合对低延迟、方言覆盖和行业词识别有要求的语音应用。
常见问题（FAQ）
Q：Fun-ASR-Realtime 的方言识别准确率是多少？
据公开信息，在覆盖八大方言区的 16 种方言识别测试中，其字符准确率平均为 88.62%，并在多类方言识别任务中取得较好表现。实际效果会受录音条件、口音程度和领域词汇影响。
Q：延迟能做到多少？
官方信息显示，其首字延迟可控制在百毫秒级别，流式识别准确率接近离线识别水平。实际端到端延迟还会叠加网络传输与前端采集耗时。
Q：开发者怎么接入？
可通过阿里云百炼平台调用 fun-asr-realtime。实时语音识别支持 WebSocket API，也支持 DashScope 的 Java、Python SDK；Fun-ASR 系列另支持 Android 和 iOS SDK，便于服务端、移动端与实时语音产品集成。
小结
Fun-ASR-Realtime 这次升级的重点，在于把实时性、多语言、方言识别和专业词增强这几件通常难以兼得的事放在同一个模型里。语音识别在真实业务中的难点，往往不只是“能不能转成文字”，还包括复杂口音、混合语种、行业术语、品牌名、人名和上下文语义消歧等细节。对需要实时字幕、会议转写、智能客服与出海业务语音能力的团队，它的价值主要体现在集成能力和场景适配度上。