Fun-ASR1.5是什么
Fun-ASR1.5是阿里通义团队推出的端到端语音识别大模型的新一代版本，单模型支持30种语言高精度识别，覆盖中文七大方言体系及二十余种地方口音，专项优化古诗词诵读识别。模型基于MoE架构实现自动语种切换，无需预设标签。Fun-ASR1.5让后处理支持智能标点预测与文本归一化，让语音转写从能用走向好用。
Fun-ASR1.5的主要功能
- 多语言识别：单模型覆盖中、英、日、韩、法、德、西、葡、俄、阿拉伯语等30种语言。
- 自动语种切换：无需预设语种标签，自动识别并切换Code-Switching场景下的多语言混合语音。
- 方言识别：覆盖七大方言体系及二十余种地方口音，重点优化15种高需求方言。
- 古诗词识别：构建先秦至近代古诗词语音-文本对齐语料库，支持文言诵读精准转写。
- 智能标点预测：基于上下文语义自动插入逗号、句号、问号等标点符号。
- 文本归一化：自动将口语中的数字、日期、金额、电话等转换为规范书面格式。
Fun-ASR1.5的技术原理
- MoE架构：采用混合专家架构，听到特定语言时仅激活相关部分进行处理，提升多语言处理灵活性与效率。
- 分级分阶段训练：在训练阶段分级、分阶段使用精准数据，提升真实世界复杂语音场景的应对能力。
- 方言数据驱动：基于数十万小时真实方言语音数据训练，平均字错误率（CER）相比上一版本下降56.2%。
- 古诗词语料库：构建涵盖《诗经》《楚辞》、李白杜甫诗集、苏轼辛弃疾词作等经典文本的真人诵读录音语料库。
如何使用Fun-ASR1.5
- 阿里云百炼平台：访问阿里云百炼官网，进入模型体验中心语音板块调用API。
- 魔搭社区：访问 https://modelscope.cn/studios/iic/FunAudio-ASR 直接在线体验。
Fun-ASR1.5的关键信息和使用要求
- 产品定位：端到端语音识别大模型。
- 支持语言：30种语言（覆盖欧洲、东亚、东南亚、南亚及中东主流语种）。
- 方言覆盖：七大方言体系，重点优化上海话、粤语、四川话等15种高需求方言。
- 古诗词准确率：内部评测集字符级准确率达97%。
- 使用方式：API调用或在线体验。
- 无需预设：多语言混合场景下无需提前指定语种标签。
Fun-ASR1.5的核心优势
- 单模型多语言：一个模型无缝切换30种语言，减少多模型部署与维护成本。
- 方言识别领先：基于数十万小时方言数据，CER较上版下降56.2%，支持原汁原味方言文字还原。
- 自动Code-Switching：无需预设即可处理同一段对话中的多语言混合场景。
- 文化场景专项优化：针对古诗词诵读进行专项训练，字符准确率达97%，助力文化传承。
- 后处理智能化：自动标点与文本归一化大幅降低会议纪要、法律笔录等场景的后期人工编辑成本。
Fun-ASR1.5的同类竞品对比
| 维度 | Fun-ASR1.5 | Seed-ASR | Tencent-ASR |
|---|---|---|---|
| 语言覆盖 | 30种语言，单模型覆盖 | 多语言支持 | 多语言支持 |
| 方言支持 | 七大方言体系，15种重点优化，CER降56.2% | 基础支持 | 基础支持 |
| Code-Switching | 无需预设标签，自动识别切换 | 支持 | 支持 |
| 古诗词识别 | 专项优化，97%字符准确率 | 未明确 | 未明确 |
| 智能后处理 | 自动标点+文本归一化（数字/日期/金额/电话） | 基础标点能力 | 基础标点能力 |
| 架构特点 | MoE混合专家架构 | 未公开 | 未公开 |
| 开放体验 | 阿里云百炼API + 魔搭社区 | 火山引擎 | 腾讯云 |
Fun-ASR1.5的应用场景
- 跨国会议：在跨国会议场景中，Fun-ASR1.5可实时精准转写多语言混合对话内容，无需参会者提前预设语种或在多个翻译工具间来回切换。
- 智能音箱：在智能家居与车载语音交互场景中，Fun-ASR1.5能精准识别各类方言指令，让智能音箱真正”听得懂乡音”。
- 在线教育：在国学在线教育场景中，Fun-ASR1.5支持古诗词诵读的精准转写，以97%的字符级准确率助力传统文化数字化传承。
- 新闻采访：在新闻采访与内容生产场景中，Fun-ASR1.5可自动添加标点符号并将口语中的数字、日期归一化为规范格式，大幅减少后期人工整理时间。