ตามการตรวจสอบของ Beating ห้องปฏิบัติการ Alibaba Tongyi ได้ลดความล่าช้าของอักขระตัวแรกของโมเดลการรู้จำเสียงพูดแบบสตรีมมิ่งขนาดใหญ่ Fun-ASR-Realtime ลงเหลือระดับมิลลิวินาที ทำให้ข้อความปรากฏทันทีหลังจากพูดจบ และความแม่นยำใกล้เคียงกับโมเดลออฟไลน์ ในการถ่ายทอดสด 100 ชั่วโมงบนเกาะร้างที่เพิ่งจบลงของ影视飓风 โมเดลนี้ให้การสนับสนุนคำบรรยายแบบเรียลไทม์ตลอดช่วงในสภาพแวดล้อมที่เลวร้าย เช่น ฝนตกหนักกลางแจ้งและการสลับผู้พูดหลายคนบ่อยครั้ง โดยรวมแล้วสามารถรู้จำได้มากกว่า 60,000 รายการ รวมเป็น 1.32 ล้านตัวอักษร
เพื่อแก้ปัญหาจุดอ่อนของการรู้จำเสียงแบบเรียลไทม์ที่มักตีความผิดพลาด โมเดลใหม่นี้ได้เสริมความสามารถในการรับรู้บริบท โดยสามารถรวมประวัติการสนทนาและคำสำคัญแบบเรียลไทม์เพื่อแก้ไขข้อผิดพลาดแบบไดนามิก (เช่น การแก้ไข "叶鹿" เป็น "夜鹭" โดยอัตโนมัติตามข้อความที่ตามมา) ปัจจุบันโมเดลรองรับ 30 ภาษาและ 16 ภาษาถิ่น โดยในการทดสอบภาษาถิ่นมีความแม่นยำเฉลี่ยของอักขระ 88.62% โดยภาษาถิ่นเซี่ยงไฮ้อยู่ที่ 92.41% และภาษาถิ่นเวินโจวที่ถูกกล่าวขานว่ายากที่สุดก็ถึง 82.74% ส่วนโมเดลออฟไลน์ Fun-ASR-Flash ครองอันดับหนึ่งในตารางคะแนนอัตราข้อผิดพลาดของอักขระบนแพลตฟอร์มประเมิน AI ระดับโลก Artificial Analysis
ปัจจุบัน โมเดลใหม่ทั้งสองนี้เปิดให้บริการเฉพาะเป็น API เชิงพาณิชย์บน Alibaba Cloud Bailian ในขณะที่เฟรมเวิร์กโอเพนซอร์ส FunASR และโมเดลระบบนิเวศที่อยู่เบื้องหลังสามารถเข้าถึงได้บน ModelScope Community และ GitHub
