市场资讯

（智东西）

智东西

作者 陈骏达

编辑 李水青

智东西9月15日报道，今天，阿里巴巴通义实验室推出了FunAudio-ASR端到端语音识别大模型。这款模型通过创新的Context模块，针对性优化了“幻觉”、“串语种”等关键问题，在高噪声的场景下，幻觉率从78.5%下降至10.7%，下降幅度接近70%。

FunAudio-ASR使用了数千万小时的音频数据，融合了大语言模型的语义理解能力，从而提升语音识别的上下文一致性与跨语言切换能力。

通义实验室打造了5大类测试集，重点关注语音识别在远场、嘈杂背景等挑战性场景下的表现，并结合开源测试集评估了模型的性能。FunAudio-ASR实现了超越Seed-ASR、KimiAudio-8B等业内知名模型的表现。

同时，FunAudio-ASR在实际落地方面也进行了全面优化，支持低延迟流式识别、跨中英文自然切换以及用户可自定义的热词识别，能够覆盖视频会议、实时字幕、智能终端等多样化应用场景。

FunAudio-ASR提供两个版本，满血版由0.7B参数量的编码器和7B参数量的大语言模型组成，追求最高精度；轻量的nano版本由0.2B参数量的编码器和0.6B参数量的大语言模型，平衡效率与精度。目前，FunAudio-ASR已在钉钉的“AI听记”、视频会议、DingTalk A1硬件等多个场景中应用。

FunAudio-ASR已上线阿里云百炼平台，API定价为0.00022元/秒，转录一段一小时的音频大约需要8毛钱。这款模型的技术报告已经发布，开发者也可在魔搭社区体验其效果。

魔搭社区体验：

https://modelscope.cn/studios/iic/FunAudio-ASR

阿里云百炼平台：

https://help.aliyun.com/zh/model-studio/recording-file-recognition?spm=a2c4g.11186623.help-menu-2400256.d_0_3_1.f43e7432ytYkAa&scm=20140722.H_2880903._.OR_help-T_cn~zh-V_1

技术报告：

https://github.com/FunAudioLLM/FunAudioLLM.github.io/blob/master/pdf/FunAudio-ASR.pdf

一、幻觉、串语种问题获针对性优化，一手体验高噪声环境识别效果

相比于文本大模型，语音大模型的“幻觉”问题尤为突出。这是因为声学特征与文本特征在向量空间上天然存在差异，导致模型在“听”完音频后，容易“脑补”出大量不存在的内容。

尽管通过训练，可以将将声学特征对齐到文本特征空间，但声学特征Embedding与真实的文本Embedding仍然存在这一定的差距，这会导致大语言模型在生成文本时发生幻觉的现象。

▲声学特征Embedding与真实的文本Embedding分布差异（图片https://arxiv.org/pdf/2410.18908）

通义实验室发现，给语音大模提供必要的上下文，可以减少文本生产时候的幻觉现象。为此，他们设计了Context增强模块：该模块通过CTC解码器快速生成第一遍解码文本，并将该结果作为上下文信息输入大语言模型，辅助其理解音频内容。

由于CTC结构轻量且为非自回归模型，几乎不增加额外推理耗时。

例如，对于这段由AI生成、模仿海盗说话风格的音频，FunAudio-ASR做到了一字不差的识别。

（待插入）

此外，通义实验室还观察到幻觉问题在高噪声场景中更易发生，因此在训练数据中加入了大量仿真数据。

为评估模型在高噪声情况下的表现，他们构建了一个包含28条易触发幻觉音频的测试集，经优化后，幻觉率从78.5%下降至10.7%。

智东西在实测中体验了FunAudio-ASR在嘈杂场景的识别能力。这段音频是在嘈杂的展会现场录制的。可以听到，模型基本准确识别了片段中男性说话者的声音，但在声音音量骤降后识别错误了。

（待插入）

同时，这段音频中有两位说话者，FunAudio-ASR在识别两人同时说话的部分时，遗漏了一些信息。

与OpenAI Whisper Large V3的识别结果对比，FunAudio-ASR识别出了更多正确的信息。

“串语种”是语音大模型落地中的另一类典型问题，例如，输入音频内容为英文，模型输出却为中文文本。

这是因为文本大模型本身具备翻译能力，在声学特征映射不够精确时，模型可能在推理过程中“自动启动”翻译功能，从而影响语音识别的准确性。

在FunAudio-ASR的Context增强模块中，CTC解码器经过高质量数据训练，本身发生串语种的概率极低。通过将CTC的第一遍解码结果作为提示词输入给大语言模型，可有效引导模型聚焦于语音识别任务，缓解“翻译”行为的发生。

二、支持术语定制化识别，召回率提升明显

在企业运用语音识别模型时，个性化定制是必不可少的技术。所谓定制化，是指在识别过程中对特定词/短语（如人名、地名、品牌、专业术语等）施加额外概率偏好，从而显著提高它们的识别召回率，同时尽量不损伤通用识别准确率。

当前行业的主流做法是将用户提供的领域词，直接作为提示词输入大语言模型。该方法虽简单有效，但随着词量增加，干扰也随之上升，导致召回率下降——即“定制化能力衰减”。

为缓解这一问题，通义实验室在Context增强结构中引入RAG（检索增强生成）机制，这一机制的运作方式如下：

（1）构建知识库：将用户配置的定制词构建成专属RAG库；

（2）动态检索：依据CTC第一遍解码结果，从RAG库中抽取相关词汇；

（3）精准注入：仅将相关词汇注入大语言模型的提示词中，避免无关信息干扰。

该方案在不增加推理复杂度的前提下，将定制化上文数量扩充到上千个以上，并且保持较高的定制化识别效果。

为验证模型的定制化效果，通义实验室在微积分学、有机化学、物理学、哲学、人名等5个领域，选取了1000个专业词汇进行测试。FunAudio-ASR在关键词准确率上表现超越了支持同类功能的语音识别模型。

例如，采用FunAudio-ASR模型的钉钉“AI听记”，拥有对互联网、科技、家装、畜牧、汽车等10+领域、200+细分行业术语的识别能力，并支持在企业授权前提下，结合通讯录、日程等上下文信息进行推理优化，进一步提升结果可靠性。

三、预训练使用数千万小时数据，仅用8张A100完成强化学习

技术报告中，通义实验室阐述了FunAudio-ASR的技术细节。这一模型包含四个核心组件：

（1）音频编码器（Audio Encoder）：提取语音特征，使用多层Transformer Encoder。

（2）音频适配器（Audio Adaptor）：连接编码器和LLM，使用两层Transformer Encoder。

（3）CTC解码器：用于初步识别假设，支持热词定制。

（4）基于大语言模型的解码器：结合音频特征和CTC预测生成最终输出。

▲FunAudio-ASR模型架构

预训练阶段，FunAudio-ASR使用了数千万小时的音频数据，包括无标注音频和有标注的音频-文本数据，数据涵盖AI、生物、电商、教育等多个领域。

预训练分为自监督预训练和有监督预训练。在自监督阶段，FunAudio-ASR创新地使用Qwen3的权重初始化编码器，加速收敛并提升表示质量。

有监督预训练则在编码器-解码器架构（AED）下进行，使编码器能够从大规模标注数据中学习更丰富的声学-语言特征，为后续与大语言模型的整合奠定基础。

▲FunAudio-ASR预训练管线

在此基础上，FunAudio-ASR进入有监督微调（SFT）阶段，该阶段进一步分为五个子阶段，逐步优化不同模块：

（1）训练适配器以对齐音频表示与大语言模型的语义空间；

（2）优化编码器和适配器；

（3）使用LoRA微调大语言模型以防止灾难性遗忘；

（4）全参数微调阶段；

（5）引入CTC解码器用于后续的热词检索与增强生成（RAG）。

整个SFT过程使用了数百万小时的多源数据，包括人工标注语料、伪标注数据、合成语音和噪声增强数据等，确保了模型在多样化场景下的泛化能力。

为了进一步提升模型对长音频和上下文信息的理解能力，团队还构建了超过5万小时的上下文增强训练数据。

通过提取关键词、合成相关上下文并混合无关语境，模型学会了在保持高识别精度的同时，有效利用对话历史信息，显著提升了在复杂语境下的表现。

在强化学习（RL）阶段，团队提出了专为音频-语言模型设计的FunRL框架，支持多模块高效协同训练。

▲FunRL框架

该框架采用GRPO算法，并设计了多目标奖励函数，综合优化识别准确率、关键词召回、幻觉抑制和语言一致性。模型仅使用8张A100显卡，在一天内完成RL训练。

RL训练数据涵盖硬样本、长音频、幻觉样本、关键词样本和常规ASR数据，显著提升了模型在困难场景下的鲁棒性和用户体验。

最后，FunAudio-ASR还针对实际应用需求进行了全面优化，包括流式识别支持、噪声鲁棒性增强、中英代码切换处理、热词定制和幻觉抑制等。

结语：生成式AI赋能新一代ASR系统，或成智能交互重要入口

基于生成式AI的新一代语音识别模型，正在从“能听清”走向“能理解”，并在幻觉抑制、跨语种识别、上下文一致性等关键问题上展现出进展。

与传统以声学建模与统计学习为主的语音识别系统相比，这类模型不仅具备更强的语义理解与任务适配能力，还能在复杂噪声、多说话人、跨领域等场景中保持更高的鲁棒性和可控性。可以预见，未来语音识别有望告别单纯的“输入工具”，成为终端智能交互的重要入口。