7月6日，阿里巴巴宣布对实时语音识别系统Fun-ASR-Realtime进行重要升级。
这一流式语音识别技术的准确率已可比肩离线系统，首字响应延迟控制在百毫秒级，长句尾字输出延迟同样很低，并支持16种方言和30种语言。
此前，在影视飓风“重返荒岛”100小时直播活动中，Fun-ASR-Realtime全程提供实时字幕，累计生成超6万条字幕、总计132万字。
全新升级后的Fun-ASR-Realtime在速度和精度上实现更好平衡。在响应速度方面，话音刚落的瞬间文字便开始上屏，即使面对非常长的句子，句尾文字的呈现也几乎没有可感知的延迟。
以那场百小时直播为例，两位艺人在两座岛屿间频繁互动、发言者快速切换，赛制复杂且遭遇暴雨，观众却依然能即时看到Tim、中国boy等嘉宾的发言字幕，观看体验显著增强。
在准确率方面，Fun-ASR-Realtime已逼近同系列的离线版本Fun-ASR-Flash。它专门针对泛上下文场景（包含历史对话和实时热词）进行了强化，具备结合对话背景的理解能力。
例如，直播中Tim说出的“夜鹭”最初被误识为“叶鹿”，当系统捕捉到后续“观鸟的朋友应该知道”这一语境后，便立刻完成自动纠正。
与市面上的同类实时语音识别产品相比，Fun-ASR-Realtime覆盖的语种更加丰富，可识别16种方言和30种语言。
在涵盖八大方言区的16种方言识别测评中，Fun-ASR-Realtime的平均字符准确率达到88.62%，在其中12类方言上处于领先位置，表现优于火山和腾讯的相关产品。
在5类工业中文和英文场景的语音识别测试中，针对复杂背景噪声、远场嘈杂以及各类口音等条件，该系统的平均字符准确率分别为88.42%和91.58%，同样超越同类产品。
值得关注的是，Fun-ASR-Realtime的离线版本Fun-ASR-Flash也已于近日上线。在国际权威评测机构Artificial Analysis的榜单上，Fun-ASR-Flash（曾用名Fun-realtime-ASR-preview）的错字率仅为1.7%，位居全球首位。
目前，这两款系统均已上线阿里云百炼平台。
Fun-ASR-Realtime：https://help.aliyun.com/zh/model-studio/real-time-speech-recognition-user-guide
Fun-ASR-Flash：https://bailian.console.aliyun.com/cn-beijing#/doc/?type=modelurl=2979031