動察 Beatingのモニタリングによると、アリババ通義実験室は、ストリーミング音声認識大規模モデル「Fun-ASR-Realtime」の初文字遅延を100ミリ秒未満にまで短縮し、発話が終わると同時に文字が表示されることを実現。さらに、その精度はオフラインモデルに迫る水準に達している。映画制作チーム「影视飓风」が最近終了した100時間の無人島ライブ配信では、屋外での豪雨や、複数人が頻繁に話し手を交代する過酷な環境下でも、本モデルがリアルタイム字幕をフルサポート。累計で6万件以上、総計132万文字を認識した。
リアルタイム音声認識が文脈を切り取って誤解を生みやすいという課題を解決するため、新モデルはコンテキスト認識能力を強化。過去の会話やリアルタイムのホットワードを活用して動的に誤りを訂正する(例えば、後続の文脈に基づき「葉鹿」を自動的に「夜鷺」に修正するなど)。現在、本モデルは30言語と16方言に対応しており、方言テストにおける平均文字精度は88.62%に達する。そのうち上海語は92.41%、最も難しいとされる温州語でも82.74%を記録した。オフラインモデル「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首位を獲得している。
現在、これら2つの新モデルは商用APIサービスとしてアリババクラウドの「百炼」でのみ提供されているが、基盤となるFunASRオープンソースフレームワークとエコシステムモデルは、魔搭コミュニティやGitHubで入手可能である。