Fun-ASR-Realtime：实时转写终于开始认真听方言了

实时语音识别最怕的不是一句标准普通话。最怕的是会议室里有人离麦克风两米远，夹着方言说项目名，旁边还有键盘声和空调声。过去很多系统在这种场景里会给你一段看似通顺、其实错得很自然的文字。Fun-ASR-Realtime 这次升级，真正值得看的地方也在这里：它不是只把延迟压低，而是在把“实时”这件事往工业场景里推。

阿里云百炼文档里，fun-asr-realtime 是一个通过 WebSocket 接入的实时语音识别服务。音频流进去，带标点的文字流出来。文档显示，稳定版当前等同于 fun-asr-realtime-2025-11-07，北京地域还列出了 fun-asr-realtime-2026-02-28 作为较新的快照版。官方选型页把它放在实时识别的推荐位置，理由很直接：热词、方言支持，以及实时字幕、语音助手、会议转写这类边说边出的场景。

比上一个 Fun-ASR 实时版本强在哪

如果按百炼文档里的版本线看，早期的 fun-asr-realtime-2025-09-15 主要覆盖中文普通话和英文。现在的主版本不再停在这个范围：官方选型页写明，Fun-ASR-Realtime 主版本覆盖中文、英文、日语以及方言；中文部分包括普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语，也覆盖中原、西南、冀鲁、江淮、兰银、胶辽、东北、北京、港台等口音带。

这和“标准语音识别”不是一个问题。标准普通话识别做得好，说明模型听得清。方言和口音识别做得好，说明模型知道同一个词在不同地方会被说成什么样。公告口径里提到的 16 种方言、30 种语言，以及上海话 92.41%、温州话 82.74% 这类数字，指向的就是这个方向：模型不只是扩大语种列表，还在补以前实时 ASR 很容易丢分的地方。

另一个变化是“可控性”。实时语音识别文档里，Fun-ASR 支持热词；并且 fun-asr-realtime 与 fun-asr-realtime-2025-11-07 支持上下文增强，可以把对话历史或领域术语传给 ASR，提高专有词识别准确率。会议里的人名、项目名、药品名、车型名，往往不是靠更大模型硬猜出来的，而是靠这种工程接口把上下文喂进去。

和 SenseVoice 比，它不是同一条赛道

SenseVoiceSmall 是 FunASR 生态里很受欢迎的开源模型。它的长处很清楚：多语言 ASR、语种识别、情绪识别、音频事件检测，README 写着支持 50 多种语言，10 秒音频推理约 70ms，速度比 Whisper-Large 快很多。它还有 GGUF 版本，Q8 约 235MB，F16 约 470MB，在 CPU 和边缘设备上很好玩。

Fun-ASR-Realtime 强的地方不在“更小”，而在“服务化实时”。它面向 WebSocket 长连接，支持流式输入输出、热词、时间戳、多种音频格式、心跳和重连，官方还给了 Android、iOS SDK 接入路径。对产品来说，这比单次离线转写更关键：直播字幕要不断出中间结果，会议助手要处理断句，呼叫中心要处理 8k 电话音频，语音输入法要在用户没停顿时就把字送出来。

所以两者的选择很简单：如果你要本地跑一个轻量语音理解模型，尤其要情绪和事件标签，SenseVoiceSmall 仍然很香；如果你要做线上实时听写、会议字幕、客服坐席、车载或教育场景，Fun-ASR-Realtime 更像生产接口，而不是一个单独下载后自己维护的模型文件。

模型文件到底多大

这里要分清楚两件事。fun-asr-realtime 在百炼里是云端 API 模型，官方没有在 Hugging Face 或魔搭上公开一个就叫 Fun-ASR-Realtime 的可下载权重包。也就是说，严格问“这个云端实时模型文件多大”，公开资料里没有答案。

能查到的是同一生态里的开源近亲。Hugging Face API 显示，FunAudioLLM/Fun-ASR-Nano-2512 仓库总量约 1.897GB，其中 model.pt 约 1.880GB；Fun-ASR-MLT-Nano-2512 也接近 1.897GB。GGUF 版本拆成一个约 447.59MB 的 encoder F16 文件，再配 Qwen3 0.6B 的量化文件：Q4_K_M 约 461.79MB，Q5_K_M 约 525.83MB，Q8_0 约 767.47MB。也就是说，真正带上运行时、VAD、解码和业务代码后，产品包不会只是“一个模型文件”的大小。

电脑和手机能不能跑

电脑上有两种跑法。最省事的是调用百炼云端实时 API：Mac、Windows、Linux 都可以，只要能开 WebSocket、能拿到 API Key，就能跑。另一种是本地跑开源 Fun-ASR-Nano 或 SenseVoiceSmall。Python + GPU 是官方示例里更直接的路；如果只想 CPU/边缘跑，GGUF + llama.cpp runtime 是更轻的路线。

手机上也要分两种意思。作为客户端，手机当然能用：百炼文档明确写到 Fun-ASR 模型支持 Android、iOS SDK 接入，手机负责采集音频、推流、展示结果，识别在云端完成。作为完全离线本地模型，也不是不可能，但不是普通 App 首包该做的事。1GB 级别的 ASR 包会带来下载、存储、发热、功耗和机型适配问题。更现实的方案是把它做成可选离线包，或者在企业设备、车机、平板、专用终端里按需下发。

这次升级真正改变了什么

以前很多实时 ASR 的产品体验，是“普通话很顺，换个口音就露馅”。Fun-ASR-Realtime 这次把方言、低延迟、热词、上下文增强和云端实时接口放在一起，说明 ASR 的竞争点正在从单句榜单，转向真实场景里的可用性。

它不一定是最适合离线塞进每台手机的模型。它更像一条实时语音管线：用户说话，设备推流，云端识别，业务系统拿到结果马上处理。对会议、客服、教育、车载、直播字幕来说，这才是最要紧的地方。模型越像基础设施，用户越不该感觉到它存在。

资料来源

• 阿里云百炼：实时语音识别用户指南，更新时间 2026-07-06。
• 阿里云百炼：语音识别模型选型页，更新时间 2026-07-01。
• Hugging Face：FunAudioLLM/Fun-ASR-Nano-2512、Fun-ASR-MLT-Nano-2512、Fun-ASR-Nano-GGUF。
• Hugging Face：FunAudioLLM/SenseVoiceSmall、SenseVoiceSmall-GGUF。