千问大模型今日正式升级 Fun-ASR-Realtime,把通义实验室的 Fun-ASR-Nano-2512(0.8B 参数)推到工业生产管线。这不是又一次普通迭代——它把 ASR 从「声学模型+后处理」两段式范式,推进到「一体化 LLM-ASR」的新阶段。 最值得关注的是它把 RAG 技术塞进了流式识别:热词、命名实体、行业术语通过检索拼接到解码上下文,让同一份声学模型在教育、金融、医疗等领域都自带「专业词表」。端到端架构让声学特征直接映射到 token,ITN、标点、敏感词过滤在同一个网络里完成,显著减少传统 pipeline 的误差累积。 GitHub FunAudioLLM/Fun-ASR(1.3k Star)README 公开的工业测试集(覆盖近场、远场、复杂背景、方言、口音、歌词、说唱 7 大场景)显示:Fun-ASR-Nano 平均 WER 16.72%,比参数更大的 GLM-ASR-Nano(1.5B, 26.13%)低近 10 个百分点,比 Whisper-large-v3(1.6B, 33.39%)好一倍以上。闭源旗舰 Fun-ASR(7.7B)虽然 WER 还能压到 12.70%,代价是近 10 倍体量。 值得注意三点:其一,「小钢炮」逻辑再现——0.8B 跑赢 1.5-1.6B 同类,ASR 已进入「架构创新 > 堆参数」阶段;其二,工程能力是真正的护城河——原生 vLLM 引擎(3-5 倍批量加速)、llama.cpp/GGUF 单二进制边缘部署、WebSocket VAD+Manual 双交互,这些活儿比模型架构更难抄;其三,31 语言 + 7 大方言 + 26 地区口音是千问对 Whisper 的差异化筹码。 但也要警惕:闭源与开源的精度差距正在拉大(方言 15.21% vs 28.18%),ASR 进入「开源够用、闭源领先」的结构,对部署成本敏感的产品是双刃剑。