新一代语音识别模型Paraformer，为业界首个应用落地的非自回归端到端语音识别模型，在推理效率上最高可较传统模型提升10倍，且识别准确率在多个权威数据集上名列第一。目前，该模型于魔搭平台面向全社会开源，适用语音输入法、智能客服、车载导航、会议纪要等众多场景。

　　语音作为最自然的交流途径,一直是人机交互重要研究领域。当前语音识别基础框架已从最初复杂的混合语音识别系统，演变为高效便捷的端到端语音识别系统。其中最具代表性的模型是自回归端到端模型Transformer，它在识别过程中需逐个生成目标文字，实现了较高准确率，但计算并行度低，无法高效结合GPU进行推理。

　　针对该问题，学术界近年提出并行输出目标文字的非自回归模型，然而其建模难度和计算复杂度高，准确率一直有待提升。

　　达摩院本次推出的新一代语音识别模型Paraformer，首次在工业级应用层面解决了端到端识别效果与效率兼顾的难题。Paraformer为单轮非自回归模型，达摩院团队通过创新的预测器设计，实现对目标文字个数及对应声学隐变量的高准确度预测，并引入机器翻译领域的浏览语言模型思路，显著增强了模型对上下文语义的建模。同时，Paraformer使用长达数万小时、覆盖丰富场景的超大规模工业数据集进行训练，进一步提升了识别准确率。

　　在学术界常用的中文识别评测任务AISHELL-1、AISHELL-2及WenetSpeech等测试集上，Paraformer-large模型均获得了最优的效果。在专业的第三方全网公共云中文语音识别评测SpeechIOTIOBE白盒测试中,Paraformer-large识别准确率超过98%，是目前公开测评中准确率最高的中文语音识别模型。

　　配合GPU推理，不同版本的Paraformer可将推理效率提升5～10倍，同时,Paraformer使用了6倍下采样的低帧率建模方案，可将计算量降低近6倍，支持大模型的高效推理。

　　达摩院语音实验室负责人鄢志杰介绍，Paraformer是阿里巴巴研发的下一代“杀手锏”级别的语音识别基础模型，未来将广泛应用于会议纪要产品“听悟”、钉钉语音转文字、高德导航等场景。为尽快惠及中小公司及开发者群体，这款重磅模型“问世即开源”，可于魔搭社区ModelScope体验并下载，企业及个人可进一步开发训练定制化模型。(

　　据了解，阿里语音团队近年已推出多款重磅语音识别模型，包括首次将识别准确率提升至96%的DFSMN模型、E2E-ASR端到端语音识别技术等。Gartner今年7月发布的《云AI开发者服务关键能力报告》显示，阿里在语音识别项目上评分与谷歌等公司并列全球第一，创中国企业最好成绩。

　　Paraformer语音识别-中文-通用-16k-离线-large-热词版

　　在modelscope-funasr用的paraformer的一个语音识别模型，怎么加上热词？

　　modelscope-funasr的多说话人语音识别模型 支持星空体育 星空体育平台实时听写吗？

　　阿里云语音AI智能语音交互中录音文件识别的customization_id定制模型还是不能区分热词。

　　阿里云语音AI智能语音交互下面的cosyvoice大模型可以免费试用吗？

　　modelscope-funasr分角色语音识别 为什么改成加载本地模型，还是很慢？

　　modelscope-funasr有没有专门的数字语音识别，最好是离线

　　modelscope-funasr要训练垂直领域的语音识别模型，训练集需要多长时间的数据？

　　modelscope-funasr语音识别模型微调后，为啥输出的都是一些看不懂的文字了？

　　包括语音识别、语音合成、语音唤醒、声学设计及信号处理、声纹识别、音频事件检测等多个领域

　　阿里云 AI 深度赋能｜书尖 AI 实测对比喜马拉雅，重塑高效听书体验

　　2026 年，我码了将近 20 万字，吃透 GEO 底层逻辑，我是怎么做到的？

　　运行报错：KeyError: speaker-change-locating is not in

　　目录空间都删的只剩2G了，还报OSError: [Errno 122] Disk quota exc

　　ClearerVoice-Studio：阿里通义开源的语音处理框架，提供语音增强、分离和说话人提取等功能

　　CosyVoice 2.0：阿里开源升级版语音生成大模型，支持多语言和跨语言语音合成，提升发音和音色等的准确性

　　百聆：集成Deepseek API及语音技术的开源AI语音对话助手，实时交互延迟低至800ms

　　FireRedASR：精准识别普通话、方言和歌曲歌词！小红书开源工业级自动语音识别模型

　　SpeechGPT 2.0：复旦大学开源端到端 AI 实时语音交互模型，实现 200ms 以内延迟的实时交互

　　Clone-voice：开源的声音克隆工具，支持文本转语音或改变声音风格，支持16种语言

　　3D-Speaker：阿里通义开源的多模态说话人识别项目，支持说话人识别、语种识别、多模态识别、说话人重叠检测和日志记录

　　Step-Audio：开源语音交互新标杆！这个国产AI能说方言会rap，1个模型搞定ASR+TTS+角色扮演

　　覆盖16省方言的老人语音数据集！SeniorTalk：智源研究院开源全球首个超高龄老年人中文语音数据集