通义实验室 7 月 6 日升级了端到端语音识别大模型的实时版——Fun-ASR-Realtime。流式识别最大的技术难题是「首字延迟」与「准确率」的此消彼长：流式解码天然有延迟，但流得越快往往越容易出错。Fun-ASR-Realtime 给出的答案是百毫秒级首字延迟 + 接近离线模型的识别准确率。它走的是端到端架构 + RAG 检索增强的组合，原生支持大规模热词自定义、敏感词/语气词过滤、ITN 归一化和智能标点预测，让流式输出从第一时刻起就接近「可直接发布」的文本。语言覆盖上一次性支持 16 种方言和 30 种语言，包括中英文及东亚、东南亚、南亚、中东、欧洲主流语种，中英混说场景无需预设语种标签。 更具说服力的是 7 月 2 日结束的影视飓风「重返荒岛」100 小时直播：Fun-ASR-Realtime 全程提供实时字幕，生成 6 万多条字幕、累计 132 万字，几乎没有出现延迟堆积或语义断裂——这相当于一次工业级压力测试。 把视野放大，流式语音识别已是 2026 年各家大模型的标配战场，OpenAI GPT-Realtime、Anthropic Claude Voice、Google Gemini Live Translate 都在压延迟。通义选择把「流式 + 方言 + 多语言」一次打通，差异化明显。API 已在千问云开放，定价 ¥0.00033/秒，按 100 小时直播体量估算单场成本约百元，已是工程化部署可承受的范围。