Theo giám sát của Động Sát Beating, mô hình nhận dạng giọng nói luồng thời gian thực Fun-ASR-Realtime của Phòng thí nghiệm Thông minh Alibaba đã giảm độ trễ ký tự đầu tiên xuống mức mili giây, giúp chữ xuất hiện ngay khi giọng nói kết thúc, đồng thời độ chính xác tiệm cận với mô hình ngoại tuyến. Trong buổi phát trực tiếp 100 giờ trên đảo hoang của Ảnh Thị Cuồng Phong vừa kết thúc, mô hình đã cung cấp hỗ trợ phụ đề thời gian thực trong suốt quá trình, ngay cả trong điều kiện khắc nghiệt như mưa lớn ngoài trời và nhiều người liên tục chuyển đổi phát biểu, tổng cộng nhận dạng hơn 60.000 dòng, tương đương 1,32 triệu chữ.
Để giải quyết vấn đề dễ hiểu sai ngữ cảnh trong nhận dạng giọng nói thời gian thực, mô hình mới đã tăng cường khả năng nhận thức ngữ cảnh, kết hợp lịch sử hội thoại và từ nóng thời gian thực để tự động sửa lỗi động (ví dụ: tự động sửa "Diệp Lộc" thành "Dạ Lộ" dựa trên ngữ cảnh sau). Mô hình hiện hỗ trợ 30 ngôn ngữ và 16 phương ngữ, với độ chính xác ký tự trung bình đạt 88,62% trong các bài kiểm tra phương ngữ, trong đó tiếng Thượng Hải đạt 92,41%, và tiếng Ôn Châu, được cho là khó hiểu nhất, cũng đạt 82,74%. Phiên bản ngoại tuyến Fun-ASR-Flash đã đứng đầu bảng xếp hạng tỷ lệ lỗi ký tự trên nền tảng đánh giá AI toàn cầu Artificial Analysis.
Hiện tại, hai mô hình mới này chỉ được triển khai dưới dạng dịch vụ API thương mại trên Alibaba Cloud Bailian, trong khi khung mã nguồn mở FunASR và các mô hình hệ sinh thái cơ bản có thể được truy cập trên ModelScope và GitHub.
