2026语音模型排行：阿里夺国产第一，优缺点全解析

全球语音排行揭晓

5月28日, 全球闻名的AI评测平台Artificial Analysis发布了全新的语音排行榜, 阿里巴巴的语音大模型Fun-Realtime-TTS-Preview凭借 1190分的Elo评分, 在全球排到了第五名, 在国产语音模型里成了第一名。这一成绩表明中国于语音AI领域的竞争力有了明显的提高, 特别是在ASR、Chat以及TTS这三个核心赛道上, 该模型都拿到了国内第一, 达成了语音交互领域的“大满贯”。评测数据来自多语言场景下的真实用户反馈，具有较高权威性。

三大赛道全面领先

在ASR也就是语音转文字的赛道之上, 阿里语音大模型家族里的Fun - Realtime - ASR模型, 在此之前已然登上全球第一这一位置；处于Chat即端到端语音理解与对话的赛道里, Fun - Realtime - AudioChat同样收获了全球领先的地位；至于在TTS也就是文字转语音的赛道中, Fun - Realtime - TTS - Preview此次夺得全球第五且国产第一的成绩, 进一步稳固了阿里团队的技术优势。这三款模型有着表现, 其整体上超越了GPT - Realtime - 2等, 这些属于国际顶尖语音模型。

技术拆解层次分明

语音大模型的能力能够被拆解成三个核心层次, 即听得准, 那也就是ASR, 说得好, 这指的是TTS, 还有聊得棒, 也就是Chat, ASR负责精确地把语音转变成文字, TTS达成自然且流畅的文字向语音转变, Chat则完成从端到端的语音理解以及多轮对话, 这三者各自独立地运行着, 然而又在实际的应用里相互进行配合, 一同构建成完整的语音交互体验, 阿里团队借助优化各个环节的算法, 明显地提升了整体的性能。

国民级应用深度接入

当下, 阿里语音大模型家族已深度融入作为国民级应用的千问App中, 其中用户能够借助实时语音转文字迅速记录信息；已深度融入像高德地图这样的国民级应用里, 于其上智能导航交互可支持语音查询路线以及实时路况；还深度融入了钉钉这款国民级应用, 在钉钉里会议纪要生成功能极大地提升了办公效率。这些功能覆盖了数量达到数亿的用户, 并且支持在金融、医疗等行业进行灵活适配。

开源生态全球瞩目

在开源方面积极推进的阿里语音团队, 有开源的FunASR、CosyVoice等多款模型, 在GitHub上累计收获了数万星标, 受到了海内外开发者的高度关注。这些开源项目, 不但降低了技术门槛, 还加快了语音AI在学术研究以及实际应用里的普及速度。开发者能够自由地进行下载、定制以及部署, 进而推动了全球语音技术的创新与迭代。

实时评测持续更新

人工分析平台的语音排行榜, 是每月进行更新的, 它是基于多轮盲测以及用户评分, 进而生成Elo评分的。阿里模型的排名, 体现出了其在国际竞争里的稳步上升。在未来, 伴随语音AI于智能家居、车载系统等场景的深度应用, 阿里语音大模型的性能有希望进一步得到提升。企业用户能够通过阿里云所提供的接口, 迅速把相关功能集成到自身产品里的。

你认为语音式人工智能于平常生活里边有没有给你带来那种令人惊艳或者是想要吐槽的方面呢? 欢迎在评论区域去分享你的相关体验, 点赞以及转发从而让更多的人能够看到这项技术的进展情况！

猜你喜欢