阿里巴巴通义实验室近日正式发布了 funaudio-asr —— 一款面向企业级应用场景的端到端语音识别大模型。该模型不仅具备出色的通用语音识别精度，更通过独创的 context 增强模块，有效应对工业落地中的“语义幻觉”、“多语种混杂”等核心挑战。
其核心技术亮点在于引入了创新性的“Context 模块”，显著提升了在高噪声环境下的识别稳定性与准确性。实测数据显示，模型的幻觉率从原先的78.5%大幅下降至10.7%，降幅接近70%，为行业树立了新的性能标杆。这一突破尤其适用于会议现场、交通枢纽等复杂声学场景。
FunAudio-ASR 在训练过程中融合了数千万小时的真实音频数据，并深度整合大语言模型的语义理解能力，使其在远场拾音、背景嘈杂、多人交替发言等典型难题下，表现优于 Seed-ASR、KimiAudio-8B 等主流系统。用户因此可以获得更加清晰、连贯且精准的转录结果。
为满足多样化部署需求，阿里同步推出了轻量版模型 FunAudio-ASR-nano。该版本在保证识别质量的同时，大幅优化了计算资源消耗和推理延迟，特别适合边缘设备或资源受限环境下的快速部署，为企业及中小型开发团队提供了灵活高效的解决方案。
目前，FunAudio-ASR 已成功应用于钉钉“AI 听记”功能、在线视频会议系统以及 DingTalk A1 硬件设备中。同时，其开放 API 已上线阿里云百炼平台，开发者可便捷调用并集成至自有应用。对企业而言，这项技术将显著提升会议记录效率，强化信息捕捉能力，推动智能办公迈向新阶段。
