Model suara Fun-ASR Alibaba Tongyi mengalami peningkatan besar: latensi karakter pertama hanya seratus milidetik, pengenalan dialek Wenzhou mencapai lebih dari 82%

Laboratorium Tongyi Alibaba berhasil mengurangi latensi karakter pertama model pengenalan suara besar streaming Fun-ASR-Realtime ke level ratusan milidetik, sehingga teks muncul segera setelah suara selesai, dengan akurasi mendekati model offline. Model baru ini mendukung 30 bahasa dan 16 dialek, dengan akurasi pengenalan dialek Wenzhou mencapai 82,74%. (Ringkasan sebelumnya: xAI secara resmi membuka API suara Grok, TTS $4,2 per juta karakter, tingkat pengenalan mengalahkan ElevenLabs) (Latar belakang: Laporan OpenRouter menganalisis 100 triliun token: Apa yang sebenarnya dilakukan manusia dengan AI, kebangkitan model China, dan rahasia retensi pengguna) Daftar Isi

Beralih

• Validasi Praktis: Siaran Langsung 100 Jam di Pulau Terpencil
• Kinerja Pengenalan Dialek
• Versi Offline Juga Mendominasi

Pada 6 Juli, Laboratorium Tongyi Alibaba mengumumkan bahwa mereka telah mengurangi latensi karakter pertama model pengenalan suara besar streaming Fun-ASR-Realtime ke level ratusan milidetik, mewujudkan efek 'teks muncul segera setelah suara selesai', dan akurasinya telah mendekati level model offline.

Inti dari peningkatan ini adalah penguatan kemampuan kesadaran konteks. Model baru dapat menggabungkan riwayat dialog dan kata kunci real-time untuk melakukan koreksi dinamis, misalnya secara otomatis mengoreksi 'Yè Lù' (rusa daun) menjadi 'Yè Lù' (bangau malam) berdasarkan konteks berikutnya, secara efektif mengatasi titik lemah pengenalan suara real-time yang mudah mengambil potongan secara keliru.

Validasi Praktis: Siaran Langsung 100 Jam di Pulau Terpencil

Dalam siaran langsung 100 jam di pulau terpencil yang baru saja diselesaikan oleh Film Tornado, Fun-ASR-Realtime memberikan dukungan teks real-time penuh dalam kondisi lingkungan yang keras seperti hujan lebat di luar ruangan dan pergantian pembicara yang sering, mengidentifikasi lebih dari 60.000 kalimat dengan total 1,32 juta karakter.

Data ini berarti bahwa model masih dapat mempertahankan kualitas pengenalan yang stabil dalam skenario nyata mono, kebisingan lingkungan tinggi, dan banyak orang berbicara bergantian — ini adalah indikator paling kritis untuk aplikasi teks real-time.

Kinerja Pengenalan Dialek

Model saat ini mendukung 30 bahasa dan 16 dialek, dengan tingkat akurasi karakter rata-rata 88,62% dalam pengujian dialek. Kinerja dialek utama adalah sebagai berikut:

• Bahasa Shanghai: 92,41%
• Bahasa Wenzhou: 82,74% (disebut sebagai dialek 'paling sulit dipahami')
• Rata-rata (16 dialek): 88,62%

Bahasa Wenzhou, sebagai proyek dengan kesulitan tinggi di antara dialek Wu, mencapai akurasi 82,74%, menunjukkan peningkatan signifikan dalam kemampuan generalisasi model pada dialek dengan sumber daya rendah.

Versi Offline Juga Mendominasi

Model offline Fun-ASR-Flash berhasil meraih peringkat pertama dalam papan peringkat tingkat kesalahan karakter di platform evaluasi AI global Artificial Analysis, semakin memvalidasi posisi terdepan teknologi seri Fun-ASR di bidang pengenalan suara.

Layanan API kedua model telah tersedia di Ali Cloud Bailian, sedangkan toolkit dan model sumber terbuka dasar dapat diperoleh di komunitas ModelScope dan GitHub.