#ASR 模型

#DolphinAsr 系列

说明

• License: Apache 2.0
• opt：优化版本，将音频特征提取模块移出模型，降低推理开销
• 完整支持语言及区域编码对照：

zh-CN: 中文(普通话)，zh-TW: 中文(台湾)，zh-WU: 中文(吴语)，zh-SICHUAN: 中文(四川话)，zh-SHANXI: 中文(山西话)，zh-ANHUI: 中文(安徽话)，zh-TIANJIN: 中文(天津话)，zh-NINGXIA: 中文(宁夏话)，zh-SHAANXI: 中文(陕西话)，zh-HEBEI: 中文(河北话)，zh-SHANDONG: 中文(山东话)，zh-GUANGDONG: 中文(广东话)，zh-SHANGHAI: 中文(上海话)，zh-HUBEI: 中文(湖北话)，zh-LIAONING: 中文(辽宁话)，zh-GANSU: 中文(甘肃话)，zh-FUJIAN: 中文(福建话)，zh-HUNAN: 中文(湖南话)，zh-HENAN: 中文(河南话)，zh-YUNNAN: 中文(云南话)，zh-MINNAN: 中文(闽南语)，zh-WENZHOU: 中文(温州话)
ja-JP: 日语，th-TH: 泰语，ru-RU: 俄语，ko-KR: 韩语，id-ID: 印度尼西亚语，vi-VN: 越南语
ct-NULL: 粤语，ct-HK: 粤语(香港)，ct-GZ: 粤语(广东)
hi-IN: 印地语，ur-IN: 乌尔都语(印度)，ur-PK: 乌尔都语，ms-MY: 马来语，uz-UZ: 乌兹别克语
ar-MA: 阿拉伯语(摩洛哥)，ar-GLA: 阿拉伯语，ar-SA: 阿拉伯语(沙特)，ar-EG: 阿拉伯语(埃及)，ar-KW: 阿拉伯语(科威特)，ar-LY: 阿拉伯语(利比亚)，ar-JO: 阿拉伯语(约旦)，ar-AE: 阿拉伯语(阿联酋)，ar-LVT: 阿拉伯语(黎凡特)
fa-IR: 波斯语，bn-BD: 孟加拉语
ta-SG: 泰米尔语(新加坡)，ta-LK: 泰米尔语(斯里兰卡)，ta-IN: 泰米尔语(印度)，ta-MY: 泰米尔语(马来西亚)
te-IN: 泰卢固语，ug-NULL: 维吾尔语，ug-CN: 维吾尔语，gu-IN: 古吉拉特语
my-MM: 缅甸语，tl-PH: 塔加洛语，kk-KZ: 哈萨克语，or-IN: 奥里亚语，ne-NP: 尼泊尔语
mn-MN: 蒙古语，km-KH: 高棉语，jv-ID: 爪哇语，lo-LA: 老挝语，si-LK: 僧伽罗语
fil-PH: 菲律宾语，ps-AF: 普什图语，pa-IN: 旁遮普语，kab-NULL: 卡拜尔语
ba-NULL: 巴什基尔语，ks-IN: 克什米尔语，tg-TJ: 塔吉克语，su-ID: 巽他语
mr-IN: 马拉地语，ky-KG: 吉尔吉斯语，az-AZ: 阿塞拜疆语

#DolphinAsr-base 模型

#DolphinAsr-small 模型

---

#FireRedAsr 系列

#FireRedAsr-AED 中英模型（v1）

#FireRedAsr2-AED 中英模型（v2）

---

#Fun-ASR 系列

说明

• 模型背景：由通义实验室推出的端到端语音识别大模型，基于数千万小时真实语音数据训练，具备强上下文理解与行业适配能力
• 功能特性：全系非流式、支持标点、支持时间戳，支持低延迟实时转写，远场高噪声场景识别准确率可达93%
• 版本标识释义：
  • int8：INT8 量化版本，体积更小、推理速度更快、适合端侧部署
  • LLM：大模型增强版，上下文理解更强，抑制识别幻觉
  • CTC：经典 CTC 架构轻量版，推理轻量化
  • MLT：多语言通用版，覆盖31种语言
  • split-adaptor：特征适配模块分离部署版本
• 语种与能力说明：
  • Fun-ASR-Nano：支持中文、英文、日语；7种方言（吴语、粤语、闽语、客家话、赣语、湘语、晋语）；26种地方口音（河南、山西、湖北、四川、重庆、云南、贵州、广东、广西、陕西、河北、山东、安徽、天津、宁夏、辽宁、甘肃、湖南、黑龙江、吉林、内蒙古、江苏、浙江、福建、江西、海南）；额外支持歌词识别、说唱语音识别
  • Fun-ASR-MLT-Nano：共支持31种语言：中文、英文、粤语、日语、韩语、越南语、印尼语、泰语、马来语、菲律宾语、阿拉伯语、印地语、保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、爱沙尼亚语、芬兰语、希腊语、匈牙利语、爱尔兰语、拉脱维亚语、立陶宛语、马耳他语、波兰语、葡萄牙语、罗马尼亚语、斯洛伐克语、斯洛文尼亚语、瑞典语
• 行业优势：在教育、金融等垂直领域表现优异，可精准识别专业术语，有效抑制幻觉生成与语言混淆问题

#Fun-ASR-Nano 模型

#Fun-ASR-MLT-Nano 模型

---

#FunASR 系列

#Paraformer 中英模型

#Paraformer 粤/中英多语言模型

#SeACo-Paraformer 热词定制模型

SeACoParaformer是阿里巴巴语音实验室提出的新一代热词定制化非自回归语音识别模型。相比于上一代基于CLAS的热词定制化方案，SeACoParaformer解耦了热词模块与ASR模型，通过后验概率融合的方式进行热词激励，使激励过程可见可控，并且热词召回率显著提升。

#SenseVoice 模型

---

#K2TransducerAsr 系列

#流式模型

#非流式模型

---

#MedAsr 系列

说明

• 模型架构：基于 Conformer 架构，由 Google Health 推出医疗场景专用语音识别模型
• 适用场景：适合放射科口述、医患对话、医学病历转录等医疗听写任务
• 支持语种：仅 英语（美式英语为主）
• 模型特点：经约5000小时医疗语音数据预训练，医学专业术语识别能力强；对非标准药名、日期时间类结构化数据识别存在波动，适合二次微调适配业务场景

---

#moonshine 系列

#moonshine-tiny 模型

#moonshine-base 模型

---

#WeNet 系列

#流式模型

#非流式模型

---

#Whisper 系列

说明

1. 后缀带 -kv 代表启用 KV Cache 推理加速
2. 全系模型支持标点、支持时间戳，默认输出段落级时间戳，可通过参数开启词级时间戳
3. 语种范围：
   • 标准多语言版（tiny/small/medium/large-v1/large-v2）：共支持 99 种语言（含中文、粤语、英语、日语、韩语、俄语、阿拉伯语、越南语、乌克兰语等全球主流语种）
   • large-v3 / large-v3-turbo 系列：在99种语言基础上扩充低资源语种，总计约 106 种，新增：祖鲁语（zu）、毛利语（mi）、斯瓦希里语（sw）、豪萨语（ha） 等，对应语种识别效果显著增强
   • 完整语种及代码：

af(南非荷兰语), am(阿姆哈拉语), ar(阿拉伯语), as(阿萨姆语), az(阿塞拜疆语), 
ba(巴什基尔语), be(白俄罗斯语), bg(保加利亚语), bn(孟加拉语), bo(藏语), br(布列塔尼语), bs(波斯尼亚语), 
ca(加泰罗尼亚语), cs(捷克语), cy(威尔士语), 
da(丹麦语), de(德语), 
el(希腊语), en(英语), es(西班牙语), et(爱沙尼亚语), eu(巴斯克语), 
fa(波斯语), fi(芬兰语), fo(法罗语), fr(法语), 
ga(爱尔兰语), gl(加利西亚语), gu(古吉拉特语), 
ha(豪萨语), haw(夏威夷语), he(希伯来语), hi(印地语), hr(克罗地亚语), hu(匈牙利语), hy(亚美尼亚语), 
id(印度尼西亚语), ig(伊博语), is(冰岛语), it(意大利语), 
ja(日语), jv(爪哇语), 
ka(格鲁吉亚语), kk(哈萨克语), km(高棉语), kn(卡纳达语), ko(韩语), ku(库尔德语), ky(吉尔吉斯语), 
la(拉丁语), lb(卢森堡语), lg(卢干达语), lt(立陶宛语), lv(拉脱维亚语), 
mai(迈蒂利语), mg(马达加斯加语), mi(毛利语), mk(马其顿语), ml(马拉雅拉姆语), mn(蒙古语), mr(马拉地语), ms(马来语), mt(马耳他语), my(缅甸语), 
ne(尼泊尔语), nl(荷兰语), no(挪威语), nso(北索托语), ny(齐切瓦语), 
oc(奥克语), om(奥罗莫语), or(奥里亚语), 
pa(旁遮普语), pl(波兰语), ps(普什图语), pt(葡萄牙语), 
ro(罗马尼亚语), ru(俄语), rw(卢旺达语), 
sa(梵语), sd(信德语), si(僧伽罗语), sk(斯洛伐克语), sl(斯洛文尼亚语), sm(萨摩亚语), sn(绍纳语), so(索马里语), sq(阿尔巴尼亚语), sr(塞尔维亚语), ss(斯瓦蒂语), st(南索托语), su(巽他语), sv(瑞典语), sw(斯瓦希里语), 
ta(泰米尔语), te(泰卢固语), tg(塔吉克语), th(泰语), ti(提格雷尼亚语), tk(土库曼语), tl(他加禄语), tn(茨瓦纳语), to(汤加语), tr(土耳其语), ts(聪加语), tt(鞑靼语), tw(特维语), 
ug(维吾尔语), uk(乌克兰语), ur(乌尔都语), uz(乌兹别克语), 
ve(文达语), vi(越南语), vo(沃拉普克语), 
wa(瓦隆语), wo(沃洛夫语), 
xh(科萨语), 
yi(意第绪语), yo(约鲁巴语), 
zh(中文), yue(粤语), zu(祖鲁语)

• 语种代码简写：

af, am, ar, as, az,
ba, be, bg, bn, bo, br, bs,
ca, cs, cy,
da, de, el, en, es, et, eu,
fa, fi, fo, fr, ga, gl, gu,
ha, haw, he, hi, hr, hu, hy,
id, ig, is, it,
ja, jv,
ka, kk, km, kn, ko, ku, ky,
la, lb, lg, lt, lv,
mai, mg, mi, mk, ml, mn, mr, ms, mt, my,
ne, nl, no, nso, ny,
oc, om, or,
pa, pl, ps, pt,
ro, ru, rw,
sa, sd, si, sk, sl, sm, sn, so, sq, sr, ss, st, su, sv, sw,
ta, te, tg, th, ti, tk, tl, tn, to, tr, ts, tt, tw,
ug, uk, ur, uz,
ve, vi, vo,
wa, wo, xh,
yi, yo,
zh, yue, zu

#whisper-tiny 模型

#whisper-small 模型

#whisper-medium 模型

#whisper-large 模型

#Distil-Whisper 模型

---

通用说明

• int8 = 量化版，体积更小、速度更快
• kv / selfcrosskv / selfcrosskvstack / opt = 推理优化版本
• 部分模型提供 HuggingFace 或 GitHub 下载源，详见各表