阿里通义推出了实时语音识别模型Fun-ASR-Realtime，具备百毫秒首字延迟和高准确率，支持16种方言和30种语言。在“重返荒岛”直播中，该模型提供实时字幕，识别准确率接近离线模型，适用于国际会议和客服等复杂场景。

本文探讨了低延迟实时语音识别（ASR）模型的部署与选型，分析了实时ASR的业务需求和技术平台选择。重点比较了Whisper Large-v3 Turbo、Voxtral Mini和NVIDIA Parakeet三种模型的性能，推荐在生产环境中结合NVIDIA推理GPU与SageMaker实时端点，以优化资源利用率和降低成本。

ZEGO推出的云端实时语音识别服务具备600ms低延迟、40%高准确率、50%低成本及多语言支持，适用于直播和在线课堂，提升用户体验和业务效率。