阿里通义千问语音模型评测：听准听懂会聊三项全球领先

全球语音AI的竞争格局被重新定义。2026年5月21日，阿里巴巴发布的Fun-Realtime-ASR与Fun-Realtime-AudioChat语音大模型，在Artificial Analysis全球权威评测中荣登综合榜首。这标志着，在语音交互三大核心能力——“听准”、“听懂”、“会聊”上，阿里模型已实现对GPT-Realtime-2等国际主流竞品的全面超越。

“听准”：毫秒间的精准捕捉

“听准”的核心是词错误率（WER），数值越低，识别越精准。阿里Fun-Realtime-ASR将WER降至1.8%，意味着每百词识别错误不足两个。其技术优势体现在毫秒级响应延迟与强大的多语言支持上：覆盖三十余种语言及七大中文方言，可精准解析二十多种地区口音。更重要的是，该模型已超越实验室阶段，通过企业级定制接口，在金融风控、医疗问诊等高精度需求场景中实现了深度部署与验证。

“听懂”：从声音到意图的智能跃迁

“听懂”是语音交互的灵魂，考验模型对语义、逻辑及用户深层意图的解析能力。Fun-Realtime-AudioChat在此项评测中获得97.6%的高分，证明其能在语音输入瞬间完成意图识别、情感分析与多步逻辑推理。关键技术突破在于实现了从原始音频到语义理解的端到端建模，摒弃了传统多阶段处理的冗余步骤，使理解过程更直接、响应更高效。

“会聊”：接近人类对话的节奏感

自然对话的核心在于动态交互能力。评测中的“会聊”（官方称“对话动态性”）指标，聚焦真实场景下的交互自然度：包括耐心聆听、打断后上下文衔接、关键信息即时反馈等。阿里模型以97.8%的得分，展现了其在复杂对话流中接近人类水平的节奏把控与连贯性。这正是消除语音交互“机械感”、赋予其“人情味”的技术关键。

目前，该系列技术已全面赋能实际应用。从阿里千问App的实时语音转写，到高德地图的智能导航对话，再到钉钉会议的语音纪要自动生成，阿里语音大模型正成为新一代人机语音交互的底层技术支柱。登顶榜单仅是技术实力的一个注脚，其深度融入场景、重塑交互体验的进程，正在加速展开。