阿里通義 Fun-ASR 音声モデルが大幅アップグレード：最初の文字の遅延がわずか100ミリ秒、温州語の認識率が82%超え。

阿里通義実験室は、ストリーミング音声認識大モデル Fun-ASR-Realtime のファーストワード遅延を100ミリ秒レベルに低減し、「話し終わると同時に文字が出る」という効果を実現し、正確性はオフラインモデルに迫る。新モデルは30言語、16方言に対応し、温州語の認識精度は82.74%に達する。

（前情：xAI が Grok 音声 API を正式公開、TTS は100万文字あたり4.2ドル、認識率は ElevenLabs を上回る） （背景補足：OpenRouter が100兆トークンの分析レポートを公開：人間は AI を何に使っているのか、中国モデルの台頭とユーザー維持の秘密）

本文目次

Toggle

• 実戦検証：100時間の無人島ライブ配信
• 方言認識のパフォーマンス
• オフライン版も同時にトップに

アリババ通義実験室は7月6日、ストリーミング音声認識大モデル Fun-ASR-Realtime のファーストワード遅延を100ミリ秒レベルに低減し、「話し終わると同時に文字が出る」効果を実現し、正確性はオフラインモデル水準に迫ると発表した。

このアップグレードの核心はコンテキスト認識能力の強化にある。新モデルは過去の会話とリアルタイムのホットワードを組み合わせて動的に誤りを訂正できる。例えば後続の文脈から自動的に「葉鹿」を「夜鷺」に修正し、リアルタイム音声認識が文脈を断片的に解釈しやすい痛点を効果的に解決する。

実戦検証：100時間の無人島ライブ配信

動画制作チーム「影視颶風」が最近終了した100時間の無人島ライブ配信では、Fun-ASR-Realtime が屋外の豪雨や複数人が頻繁に発言を切り替える過酷な環境で、終始リアルタイム字幕を提供し、累計6万件以上、合計132万文字を認識した。

このデータは、モデルがモノラル、高環境ノイズ、複数人の交錯という実環境においても、安定した認識品質を維持できることを示している——これはリアルタイム字幕アプリケーションで最も重要な指標である。

方言認識のパフォーマンス

モデルは現在30言語と16方言に対応し、方言テストでの平均文字精度は88.62%に達する。各主要方言のパフォーマンスは以下の通り：

• 上海語：92.41%
• 温州語：82.74%（「最も難しい」方言とされる）
• 平均（16方言）：88.62%

温州語は呉語方言の中でも難易度が高い課題であるが、82.74%の精度を達成し、モデルの低リソース方言に対する汎化能力が顕著に向上したことを示している。

オフライン版も同時にトップに

オフライン版モデル Fun-ASR-Flash は、世界の AI 評価プラットフォーム Artificial Analysis の文字誤り率ランキングで1位を獲得し、Fun-ASR シリーズの音声認識分野における技術的リーダーシップをさらに裏付けた。

両モデルの API サービスは既に阿里雲百煉（Alibaba Cloud Bailian）で提供されており、基盤となるオープンソースツールキットとモデルは魔搭（ModelScope）コミュニティと GitHub で入手可能である。