동차 Beating 모니터링에 따르면, 알리바바 통의 연구소는 스트리밍 음성 인식 대형 모델 Fun-ASR-Realtime의 첫 글자 지연 시간을 100밀리초 수준으로 낮추어, 말이 끝나자마자 글자가 출력되며 정확도는 오프라인 모델에 근접합니다. 영화 촬영 팀 '영시거펑'이 최근 종료한 100시간 무인도 생방송에서, 이 모델은 야외 폭우와 여러 사람이 빈번히 발언을 전환하는 열악한 환경에서도 실시간 자막을 제공하며, 총 6만여 건, 132만 자를 인식했습니다.
실시간 음성 인식이 자주 문맥을 왜곡하는 문제를 해결하기 위해, 새 모델은 문맥 인식 능력을 강화하여 과거 대화와 실시간 핫워드를 결합해 동적으로 오류를 수정합니다(예: 후속 문맥에 따라 '예루'를 자동으로 '야루'로 수정). 현재 이 모델은 30개 언어와 16개 방언을 지원하며, 방언 테스트에서 평균 문자 정확도 88.62%를 기록했고, 상하이어는 92.41%, 가장 어렵다고 알려진 원저우어도 82.74%에 달합니다. 오프라인 버전 모델 Fun-ASR-Flash는 글로벌 AI 평가 플랫폼 Artificial Analysis의 문자 오류율 순위에서 1위를 차지했습니다.
현재 이 두 가지 새 모델은 상업용 API 서비스로만 알리바바 클라우드 바이롄에 제공되며, 기본 FunASR 오픈소스 프레임워크와 생태계 모델은 모다 커뮤니티와 GitHub에서 확인할 수 있습니다.