Fun-Realtime-ASR

Fun-Realtime-ASR är en modell för tal till text i realtid från Tongyi Lab på Alibaba. Den hör till Fun-ASR-familjen, Tongyi Labs taligenkänningsmodeller som bygger på stora språkmodeller och som enligt labbets tekniska rapport är tränade för strömmande ljud, brusiga miljöer och språkväxling. I Alibaba Cloud Model Studio heter tjänsten Fun-ASR-Realtime (modellnamn fun-asr-realtime).

På Artificial Analysis topplista för tal till text listas en förhandsversion, Fun-Realtime-ASR-preview från Alibaba Cloud, som etta i oktober 2026 med 1,7 % ordfelsfrekvens, före MAI-Transcribe-2 (2,0 %), Voxtral Small Transcribe 3 (2,1 %) och ElevenLabs Scribe v2 (2,2 %). Samma placering syns i Mistrals jämförelse vid lanseringen av Voxtral 3. Det är oklart om förhandsversionen är exakt samma modell som den som finns i Model Studio.

Enligt Alibaba Cloud har tjänsten stöd för stora listor med egna nyckelord (hotwords), filtrering av känsliga ord och utfyllnadsord, normalisering av tal och siffror, automatisk interpunktion, växling mellan kinesiska och engelska, flera kinesiska dialekter och god tålighet mot brus. Huvudversionen hanterar kinesiska med dialekter och regionala accenter, engelska, japanska, koreanska, vietnamesiska, thailändska och många fler språk; den daterade versionen fun-asr-realtime-2026-02-28 täcker kinesiska, engelska och japanska. Talaridentifiering och känsloigenkänning stöds inte.

Modellen används via WebSocket i Model Studio, utan gräns för ljudlängd. Ordinarie pris i Peking är 0,000047 dollar per sekund ljud. Det har inte gått att hitta något officiellt tillkännagivande med namnet Fun-Realtime-ASR eller ett releasedatum för förhandsversionen; uppgifterna kommer från Model Studios dokumentation och Artificial Analysis.