ASR、TTS、Chat均为第一，阿里语音大模型拿下“大满贯”

5月28日，在全球权威 AI 评测平台 Artificial Analysis的语音排行榜（Speech Arena）上，阿里巴巴语音大模型Fun-Realtime-TTS-Preview 以 1190 分的 Elo 评分位列全球第五、国产第一。

语音大模型的能力可以拆解为三个层次：听得准（ASR，将语音转为文字）、说得好（TTS，将文字转为语音）和聊得棒（Chat，端到端的语音理解与对话）。三者各自独立又相互依赖，共同构成了完整的语音交互体验。一周前，Fun-Realtime-ASR和Fun-Realtime-AudioChat刚刚在Artificial Analysis登顶，超越GPT-Realtime-2等国际顶尖模型，在词错误率、语音推理和对话流畅度三项指标上斩获全球第一。最新的榜单补齐了最后一块拼图，至此，在ASR、Chat以及TTS三个赛道，阿里的语音大模型拿下“大满贯”。

三款模型背后的技术栈不仅应用于阿里生态产品如千问 App、高德地图和钉钉，还服务于汽车、教育、智能硬件等多个行业。此外，阿里语音团队开源的多款模型如FunASR、CosyVoice在GitHub 上累计获得了数万星标，深受海内外开发者关注。

玉蕾  小风

编辑 : 吉启雷