2025年4月1日，千问大模型宣布正式升级其实时语音识别能力，推出全新流式语音识别大模型——Fun-ASR-Realtime。作为一款专为高实时性场景设计的语音识别模型，Fun-ASR-Realtime将首字延迟控制在百毫秒级别，识别准确率接近离线模型水平，并支持多达16种中国方言与30种全球语言。这一技术突破，标志着千问在端到端语音交互领域迈入“低延迟、高精度、多语种”的新阶段。

实时语音识别的“速度与精度”难题

在语音交互场景中，用户对“实时性”的感知往往始于“首字出现的时间”。传统在线语音识别模型往往需要在用户说完一整句话后才开始解码，导致明显的延迟卡顿。而流式（streaming）语音识别技术则要求在语音输入的过程中“边说边识别”，对算法延迟和模型推理效率提出了极高要求。

长期以来，流式识别模型往往面临“速度与精度”的平衡困境：追求低延迟，则容易因缺少未来上下文信息而导致语义误判；追求高精度，则不得不牺牲响应速度，影响交互流畅性。Fun-ASR-Realtime的核心突破正在于此——它采用创新的端到端流式解码架构，结合轻量级声学编码器与动态上下文预测机制，在保证首字延迟低于100毫秒的同时，将识别准确率推至接近离线模型的水平。

技术亮点：实时解码、多方言支持、跨语言适配

据千问官方技术文档显示，Fun-ASR-Realtime在模型结构上进行了系统性优化。它基于千问自研的语音-文本联合预训练框架，在训练阶段同时融合了大规模无监督语音数据和多语种文本数据，使模型能够更高效地捕捉语音与语义的对应关系。在推理阶段，模型采用“因果卷积+自注意力”的双流编码结构，仅使用当前及历史语音帧进行解码，同时利用声学边界检测算法动态调整输出粒度，实现了“边说边出字”的流畅体验。

方言和语言覆盖能力是Fun-ASR-Realtime的另一大亮点。目前，该模型支持包括吴语、粤语、闽南语、四川话、客家话等在内的16种中国主要方言，以及英语、日语、法语、阿拉伯语、泰语等30种全球语言。这意味着，无论用户来自何方，只要使用日常方言或通用语言，Fun-ASR-Realtime都能以接近母语识别的准确率进行实时转写。

此外，模型还内置了自适应口音校准模块，能够在数秒内对用户发音风格进行快速适配，进一步提升了对非标准发音、语速变化、环境噪音的鲁棒性。

应用场景：从智能客服到会议记录，从语言学习到多模态助手

低延迟、高精度、多语种三位一体的能力，使Fun-ASR-Realtime具备了广泛的应用潜力。

在智能客服领域，该模型可以替代传统的关键词触发式系统，实时理解用户语音输入并给出精准响应，大幅缩短用户等待时间。对于方言地区的用户，不再需要刻意切换普通话；对于跨国企业，则可实现多语言客服的无缝切换。

在实时会议记录场景中，Fun-ASR-Realtime的流式输出特性使其能够与会议系统同步，在演讲者说话的同时生成逐字稿，并支持实时翻译、关键词提取等衍生功能。其接近离线模型的准确率，意味着即便在专业术语密集的行业会议上，也可保持较低的转写错误率。

对于语言学习和国际交流场景，模型的多语种识别能力可提供原声转写、发音纠正、口音识别等交互式功能。用户只需说出目标语言的语句，系统即可实时显示文字并评估发音准确性。

而在多模态AI助手中，Fun-ASR-Realtime可以作为语音入口模块，为千问大模型的图文理解、知识问答、任务规划等能力提供实时语音支持，真正实现“边说边做”的交互体验。

行业意义：语音交互进入“零等待”时代

当前的智能语音助手市场，用户对“响应速度”的敏感度正在超过对“准确率”的单纯追求。Fun-ASR-Realtime将首字延迟压缩至百毫秒级，意味着机器几乎感觉不到“等待”的存在，语音交互将无限接近人与人之间的自然对话节奏。

从技术路线来看，千问此次升级也体现了端到端语音识别的成熟方向——不再依赖复杂的级联解码流程，而是通过单一神经网络的流式推理完成从语音直接到文字的映射。这不仅降低了部署门槛，也使得模型能够更灵活地适配不同硬件环境（从云端到边缘设备）。

更重要的是，多方言与多语种的支持，让这一技术具有了显著的普惠价值。在中国，不同地区仍有大量方言使用者在日常交流中更习惯用母语表达；在全球，跨语言沟通的障碍始终存在。Fun-ASR-Realtime的推出，本质上是在打破语言的壁垒，让语音交互变得更“懂”每一个用户。

结语

千问大模型升级实时语音识别大模型Fun-ASR-Realtime，不仅是技术指标的提升，更是对“智能交互应当无感、无阻、无界”这一理念的落地实践。从百毫秒级的响应速度，到16种方言、30种语言的广泛覆盖，一个更加流畅、包容、高效的语音智能时代，正在悄然到来。

据悉，Fun-ASR-Realtime目前已率先上线千问开放平台及部分企业级API接口，普通用户和开发者均可通过千问的在线实验室进行体验。未来，千问团队还计划推出轻量化的端侧版本，让这一实时语音识别能力进一步走入手机、耳机、智能家居等终端设备。