Fun-ASR1.5 – 阿里通義推出的端到端語音識別模型

Fun-ASR1.5是什麼

Fun-ASR1.5是阿里通義團隊推出的端到端語音識別大模型的新一代版本，單模型支持30種語言高精度識別，覆蓋中文七大方言體系及二十餘種地方口音，專項優化古詩詞誦讀識別。模型基於MoE架構實現自動語種切換，無需預設標籤。Fun-ASR1.5讓後處理支持智能標點預測與文本歸一化，讓語音轉寫從能用走向好用。

Fun-ASR1.5的主要功能

• 多語言識別：單模型覆蓋中、英、日、韓、法、德、西、葡、俄、阿拉伯語等30種語言。
• 自動語種切換：無需預設語種標籤，自動識別並切換Code-Switching場景下的多語言混合語音。
• 方言識別：覆蓋七大方言體系及二十餘種地方口音，重點優化15種高需求方言。
• 古詩詞識別：構建先秦至近代古詩詞語音-文本對齊語料庫，支持文言誦讀精準轉寫。
• 智能標點預測：基於上下文語義自動插入逗號、句號、問號等標點符號。
• 文本歸一化：自動將口語中的數字、日期、金額、電話等轉換爲規範書面格式。

Fun-ASR1.5的技術原理

• MoE架構：採用混合專家架構，聽到特定語言時僅激活相關部分進行處理，提升多語言處理靈活性與效率。
• 分級分階段訓練：在訓練階段分級、分階段使用精準數據，提升真實世界複雜語音場景的應對能力。
• 方言數據驅動：基於數十萬小時真實方言語音數據訓練，平均字錯誤率（CER）相比上一版本下降56.2%。
• 古詩詞語料庫：構建涵蓋《詩經》《楚辭》、李白杜甫詩集、蘇軾辛棄疾詞作等經典文本的真人誦讀錄音語料庫。

如何使用Fun-ASR1.5

• 阿里雲百鍊平台：訪問阿里雲百鍊官網，進入模型體驗中心語音板塊調用API。
• 魔搭社區：訪問 https://modelscope.cn/studios/iic/FunAudio-ASR 直接在線體驗。

Fun-ASR1.5的關鍵信息和使用要求

• 產品定位：端到端語音識別大模型。
• 支持語言：30種語言（覆蓋歐洲、東亞、東南亞、南亞及中東主流語種）。
• 方言覆蓋：七大方言體系，重點優化上海話、粵語、四川話等15種高需求方言。
• 古詩詞準確率：內部評測集字符級準確率達97%。
• 使用方式：API調用或在線體驗。
• 無需預設：多語言混合場景下無需提前指定語種標籤。

Fun-ASR1.5的核心優勢

• 單模型多語言：一個模型無縫切換30種語言，減少多模型部署與維護成本。
• 方言識別領先：基於數十萬小時方言數據，CER較上版下降56.2%，支持原汁原味方言文字還原。
• 自動Code-Switching：無需預設即可處理同一段對話中的多語言混合場景。
• 文化場景專項優化：針對古詩詞誦讀進行專項訓練，字符準確率達97%，助力文化傳承。
• 後處理智能化：自動標點與文本歸一化大幅降低會議紀要、法律筆錄等場景的後期人工編輯成本。

Fun-ASR1.5的同類競品對比

Fun-ASR1.5的應用場景

• 跨國會議：在跨國會議場景中，Fun-ASR1.5可實時精準轉寫多語言混合對話內容，無需參會者提前預設語種或在多個翻譯工具間來回切換。
• 智能音箱：在智能家居與車載語音交互場景中，Fun-ASR1.5能精準識別各類方言指令，讓智能音箱真正”聽得懂鄉音”。
• 在線教育：在國學在線教育場景中，Fun-ASR1.5支持古詩詞誦讀的精準轉寫，以97%的字符級準確率助力傳統文化數字化傳承。
• 新聞採訪：在新聞採訪與內容生產場景中，Fun-ASR1.5可自動添加標點符號並將口語中的數字、日期歸一化爲規範格式，大幅減少後期人工整理時間。