これまで、音声認識は方言になると「お手上げ」でした。上海語、閩南語、広東語が話された途端、文字起こし結果はしばしば文字化けや空白になりました。AlibabaのTongyi実験室が新しくリリースしたFun-ASR1.5がこの状況を変えます。エンドツーエンドの音声認識大モデルで、単一モデルで30言語と中国語七大方言体系をカバーし、方言シーンの文字エラー率は前世代比で56.2%低下しました。

Fun-ASR1.5とは

Fun-ASR1.5は、Alibaba Qwenのエンドツーエンド音声認識大モデルの新世代バージョンで、数十万時間の実音声データに基づいて訓練されています。「聞き取れる」だけでなく「聞いて理解できる」 -- スマートな句読点挿入と口語表現の自動正規化を行い、出力されるテキストは書き言葉に近い水準です。

コア能力

方言認識：「聞き取れない」から「産業グレードで実用」へ

中国語の伝統的な七大方言体系（官話/呉/湘/贛/客家/閩/粤）をカバーし、四川語、閩南語、長沙語、蘇州語、広東語など20以上の地域のアクセントに深く対応しています。

実測データ：

• 5種の方言で正確率が90%を突破
• 15種の方言で正確率が80%を超える
• 典型的な方言シーンの文字エラー率（CER）が相対的に56.2%低下
• 13種の方言でSeed-ASRとTencent-ASRを上回る

30言語 + 言語横断の自由な切り替え

中国語、英語、日本語、韓国語、フランス語、ドイツ語、スペイン語など30言語に対応。混合言語の会話では、言語タグを事前設定しなくても自動で識別・切り替えします。

たとえば英語と日本語が混ざった会話でも、モデルは2つの言語を正確に区別して文字起こしできます。

古詩詞の専用最適化

中国語の古詩詞の認識に特化した訓練を行い、先秦から近代までの古詩詞の音声-テキスト整列コーパスを構築しました。内部評価で文字レベルの正確率は97%に達しています。

スマートな句読点とテキスト正規化

• 句読点予測：意味に基づいてカンマ、ピリオド、疑問符などを自動挿入します。「今天天气怎么样啊我想出去走走」 -> 「今天天气怎么样啊？我想出去走走，但又怕下雨。」
• テキスト正規化：口語表現を自動変換します -- 「三千五百六十二」 -> 「3562」、「五万八千块」 -> 「58000元」

クイックスタート

オンラインで体験

• ModelScope（魔搭）コミュニティのDemo：https://modelscope.cn/studios/iic/FunAudio-ASR
• Alibaba Cloud百煉プラットフォーム：https://bailian.console.aliyun.com/cn-beijing?tab=model#/efm/model_experience_center/voice?modelId=fun-asr

API呼び出し例

Alibaba Cloud百煉プラットフォーム経由で呼び出せば、数行のコードで導入できます：

from http import HTTPStatus
from dashscope.audio.asr import Transcription
import dashscope
import os
import json

dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

task_response = Transcription.async_call(
    model='fun-asr',
    file_urls='https://example.com/your-audio.wav'
)

transcribe_response = Transcription.wait(task=task_response.output.task_id)
if transcribe_response.status_code == HTTPStatus.OK:
    print(json.dumps(transcribe_response.output, indent=4, ensure_ascii=False))

応用シーン

• 議事録：スマートな句読点 + テキスト正規化で、後工程の校正作業量を大幅に削減
• ニュース取材：騒がしい環境でも正確に文字起こしでき、言語混在の内容にも対応
• 教育分野：古詩詞の朗詠の文字起こしで、中国古典教育や無形文化遺産の継承を支援
• 行政サービス：方言ホットラインの文字起こしで、県域行政、農村行政などのシーンをカバー
• 国際協業：多言語の会議録、言語タグの事前設定は不要
• コンテンツ制作：ショート動画の字幕生成、ポッドキャストのテキスト化