FireRedASR

FireRedASR 是由小红书 FireRed 团队于2025年2月9日发布并开源的基于大模型的语音识别模型，它在中文普通话语音识别领域取得了新的SOTA（字错误率CER 3.05%），并支持方言、英语及歌词识别。

FireRedASR的主要功能：

• 高精度语音识别：FireRedASR-LLM（8.3B参数量）在公开测试集上取得了3.05%的字错误率（CER），成为新的SOTA，相比此前的SOTA模型Seed-ASR（12B+参数）降低了8.4%的错误率。

• 高效推理：FireRedASR-AED（1.1B参数量）在保持高准确率的同时，显著提升了推理效率，其CER为3.18%。

• 多场景适配：FireRedASR在短视频、直播、语音输入和智能助手等多种日常场景下表现出色，与业内领先的ASR服务提供商和Paraformer-Large相比，CER相对降低23.7%~40.0%。

• 歌词识别能力：在需要歌词识别能力的场景中，FireRedASR-LLM的CER实现了50.2%～66.7%的相对降低，展现了极强的适配能力。

• 多语言支持：FireRedASR支持普通话，在中文方言和英语语音识别方面表现出色，进一步拓宽了其应用范围。

FireRedASR模型两个核心版本：

FireRedASR-LLM

• 架构：采用Encoder-Adapter-LLM框架，结合大型语言模型Qwen2-7B-Instruct，通过LoRA微调实现端到端语音交互。

• 性能：在普通话基准测试中CER为3.05%，相比前SOTA模型错误率降低8.4%；歌词识别场景CER相对降低50.2%~66.7%。

• 特点：参数8.3B，专注极致精度，适合高要求场景如专业字幕生成。

FireRedASR-AED

• 架构：基于注意力编码器-解码器（Conformer编码器+Transformer解码器），参数1.1B。

• 性能：CER 3.18%，优于12B参数的Seed-ASR，推理效率更高。

• 特点：平衡准确率与计算效率，适合实时应用如直播字幕、语音助手。

FireRedASR技术亮点：

• 多场景适配：在短视频、直播等日常场景中，CER相对降低23.7%~40.0%；支持中文方言和英语。

• 开源生态：模型与代码已开源（GitHub），采用工业级设计，支持社区二次开发。

• 训练策略：LLM版本固定大部分参数，仅训练编码器和适配器，保留预训练能力。

FireRedASR的应用场景

• 智能语音交互：FireRedASR可以应用于智能语音助手、语音输入法等场景，提供高精度的语音识别服务。

• 多媒体内容理解：FireRedASR在视频字幕生成、歌词识别等多媒体内容理解场景中表现出色。

• 日常场景应用：FireRedASR在短视频、直播、语音输入和智能助手等多种日常场景下表现出色，与业内领先的ASR服务提供商和Paraformer-Large相比，CER相对降低23.7%~40.0%。

FireRedASR相关链接：

项目地址：https://github.com/FireRedTeam/FireRedASR

论文地址：https://arxiv.org/abs/2501.14350