4月20日消息，通义实验室正式推出端到端语音识别大模型 Fun-ASR 1.5，单模型覆盖 30 种语言、汉语七大方言体系及 20+ 地方口音，在典型方言场景下字错误率（CER）相对上一版本下降 56.2%，已通过阿里云百炼平台面向开发者开放 API 调用。这也是 Fun-ASR 系列继 12 月完成一次大版本升级后，再次在方言与多语种混说能力上加码。
方言识别进入「工业级」：5 种破 90%、15 种超 80%
方言数据稀疏、发音变异大，长期被视为 ASR 行业的深水区。Fun-ASR 1.5 基于数十万小时真实方言语音数据训练，覆盖日常对话、地方新闻、乡村政务等多场景，完整支持官话、吴、湘、赣、客、闽、粤七大方言体系，并适配中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等 20 多个地区口音，具体到河南、陕西、四川、重庆、云南、贵州、广东、广西、江苏、杭州、甘肃、宁夏等省市。
官方披露数据显示，在内部工业数据集测试中，5 种方言准确率已突破 90%，15 种超过 80%，相比上一版本典型方言音频 CER 相对下降 56.2%。素材中给出了多条实测转写结果，涵盖吴语、粤语、闽南语等难度较高的南方方言，在自然语流、俚语混杂、口语省略等情况下仍能完整还原语义。这一能力正被用于县域教育直播、地方政务服务热线、方言文化纪录片制作等长尾高价值场景。
30 语言混说自由切换，古诗词识别字错率降至 3%
除方言外，Fun-ASR 1.5 在多语言识别上也做了统一框架升级，支持 30 种主流语言，包括中文、日、韩、越、泰、印尼、马来、菲律宾、印地、阿拉伯，以及英、法、德、西、葡、俄、意、荷、瑞典、丹麦、芬兰、挪威、希腊、波、捷、匈、罗、保、克罗地亚、斯洛伐克等欧洲语种。得益于统一多语言训练框架，模型在 Code-Switching（语种自由切换）场景表现突出，无需预设语种标签即可识别英日、中英混合音频——这一点对跨国远程会议、多语种短视频生产、国际学术记录等场景尤为关键。
值得一提的是古诗词识别专项优化。通义团队构建了覆盖先秦至近代的古诗词语音-文本对齐语料库，包含《诗经》《楚辞》、李杜诗集、苏辛词作的真人诵读录音，针对文言省略、严格押韵、典故异读、吟咏拖腔等非自然语流特征做了针对性训练。官方评测集中，古诗词字符级准确率达到 97%，该能力已落地国学在线课程与有声诗词 APP。此外，1.5 版本在文本后处理上同步强化了标点预测与 ITN（文本归一化）能力，可将「二零二六年三月二十九号」「五万八千块」「幺三八零零幺三八零零零」这类口语表达自动规范化为 2026 年 3 月 29 日、58000 元、13800138000，降低会议纪要、法律笔录等场景的编辑成本。
百炼平台开放调用，与 Seed-ASR、GLM-ASR 同台竞逐
Fun-ASR 1.5 已在阿里云百炼平台正式上线，模型标识 fun-asr，通过 DashScope SDK 可异步提交音频 URL 调用，几行 Python 代码即可完成接入；魔搭社区同步开放在线 Demo 体验。需注意北京地域与新加坡地域使用不同 API Key 与 base URL。 从竞争格局看，Fun-ASR 系列面对的是字节 Seed-ASR、智谱 GLM-ASR-nano、OpenAI Whisper 等对手——在 GitHub 开源仓库给出的对比中，Fun-ASR 家族基于 LLM 融合 CTC Context 增强的架构，重点解决了幻觉生成与串语种问题（此前版本曾将幻觉率从 78.5% 降至 10.7%）。分析认为，方言覆盖广度与中文场景深度仍是通义系 ASR 相对海外模型的差异化优势，尤其在县域政务、地方媒体这类 Whisper 难以覆盖的长尾市场。
局限与待解问题
一，本次官方给出的方言 CER 对比基线是「上一版本」，并未提供与 Seed-ASR、Whisper-large-v3 等主流竞品在同一方言测试集上的横向数据，实际优势幅度仍待第三方评测验证；
二，方言测试基于内部工业数据集，多语种测试基于开源数据集，两套评测口径不同，「典型方言场景 CER 下降 56.2%」的「典型」边界缺乏公开定义；
三，当前 30 语言覆盖仍偏汉藏语系与欧洲主流语种，国内维、藏、蒙等少数民族语言及非洲、拉美小语种尚未纳入，距离真正意义的「全语种平台」仍有距离；
四，15 种方言超 80%意味着还有相当数量的方言停留在 70% 档位，闽南、潮汕、温州话等极端方言的工业级可用性仍需更多实测样本支撑。
对开发者而言，Fun-ASR 1.5 更像是一次「把中文方言补齐到工业级门槛」的关键版本，真正的商业价值将取决于后续在教育直播、政务热线、非遗记录等细分场景的落地深度，而不仅仅是评测榜单上的数字。
AI 速览
