U2-ASR
U2-ASR 是云知声自研的通用语音识别大模型，融合上下文理解与领域词汇增强，将识别范式由逐字转写拓展至语义级理解。模型覆盖 15 个国际语种与上百种方言及地方口音，输入端支持一句话识别、实时流式转写与长音频异步转写，输出端提供说话人分离、时间戳标注、智能断句与标点预测，转写结果以规整化文本直接对接字幕、质检、检索、归档等下游环节。
核心亮点
- 全语种、全方言覆盖
单一模型同时覆盖 15 个国际语种与上百种方言及地方口音，面向单一方言表达、多语种混切沟通与跨境业务场景均可完成识别转写。统一接入一套模型，无需按语种分别采购，可同时满足国内跨地域与海外跨境转写需求。 - 语境理解与热词增强
识别过程不再局限于逐字音素映射，而是结合对话语境与领域词库进行语义级判断，对上下文歧义、行业术语、噪音干扰、方言口音与多语种混切场景具备更强的鲁棒性；支持通过上下文提示与热词注入，对医疗、汽车、客服等垂直领域术语做定向增强。 - 三种音频输入形态
一句话识别面向单句音频，毫秒级响应并即时转写，适配语音指令、快速问答等即时交互场景；实时流式转写面向持续音频流，流式增量输出、转写文本与音频同步生成并低延迟返回，适配实时会议字幕、直播转写等对时延敏感的场景；长音频异步转写面向长时长音频，单文件最长支持 5 小时，支持批量提交与结构化归档。 - 结构化结果输出
支持说话人分离、智能断句、标点预测与时间戳返回，输出规范规整文本，可直接进入下游流程，无需二次编辑。
关键信息
| 项目 | 参数 |
|---|---|
| 模型 ID | u2-asr |
| 输入模态 | 音频 |
| 输出模态 | 文本 |
| 支持语言 | 支持15种国际语言，覆盖汉语7大方言体系支持15种国际语言，覆盖汉语7大方言体系 |
快速接入
详细介绍
- 方言与地方口音识别——覆盖多类复杂口音场景
在覆盖西南官话、粤语、湘语、晋语、吴语、徽语、闽语、客家话等多类方言与地方口音的评测中，U2-ASR 整体保持较强表现。其中，吴语（苏州话）、徽语、晋语、闽语和客家话等场景优势较为突出，较同组次优模型分别领先 20.2、14.2、12.2、11.8 和 11.6 分，体现出模型对复杂方言及地域口音的较强适应能力。
冀鲁官话
96.2
U2-ASR
2.5
93.0
FunASR
1.5
93.7
Qwen3-
ASR-1.7B
93.0
Seed-
ASR
西南官话（四川话）
94.7
U2-ASR
2.5
89.2
FunASR
1.5
90.2
Qwen3-
ASR-1.7B
90.1
Seed-
ASR
粤语体系
93.0
U2-ASR
2.5
90.2
FunASR
1.5
89.9
Qwen3-
ASR-1.7B
87.7
Seed-
ASR
西南官话（武汉话）
92.1
U2-ASR
2.5
89.2
FunASR
1.5
85.8
Qwen3-
ASR-1.7B
85.6
Seed-
ASR
湘语体系
90.1
U2-ASR
2.5
86.2
FunASR
1.5
83.4
Qwen3-
ASR-1.7B
80.4
Seed-
ASR
晋语体系
89.6
U2-ASR
2.5
73.1
FunASR
1.5
73.0
Qwen3-
ASR-1.7B
77.4
Seed-
ASR
吴语体系（上海话）
89.0
U2-ASR
2.5
74.6
FunASR
1.5
72.5
Qwen3-
ASR-1.7B
79.8
Seed-
ASR
赣语方言
88.3
U2-ASR
2.5
64.6
FunASR
1.5
64.0
Qwen3-
ASR-1.7B
74.1
Seed-
ASR
闽语体系
84.9
U2-ASR
2.5
68.2
FunASR
1.5
73.1
Qwen3-
ASR-1.7B
71.5
Seed-
ASR
客家话体系
83.4
U2-ASR
2.5
65.0
FunASR
1.5
42.6
Qwen3-
ASR-1.7B
71.8
Seed-
ASR
吴语体系（苏州话）
82.2
U2-ASR
2.5
62.0
FunASR
1.5
53.0
Qwen3-
ASR-1.7B
50.7
Seed-
ASR
- 多语种识别
支持多语种语音识别，并针对不同语言的发音体系、语速和声学特征进行统一建模。在多语种评测中，模型整体保持较高识别水平，覆盖阿拉伯语、泰语、西班牙语、法语、印尼语、意大利语、越南语、德语、葡萄牙语、韩语等多种语言，多语种整体平均准确率达到 95.04%。
阿拉伯语
94.72
U2-ASR
89.23
FunASR
1.5
93.79
Seed-ASR
90.54
whisper-
large-v3-turbo
74.06
cohere-
transcribe-03-2026
91.31
Qwen3-
ASR-1.7B
德语
95.08
U2-ASR
88.88
FunASR
1.5
92.01
Seed-ASR
91.97
whisper-
large-v3-turbo
91.94
cohere-
transcribe-03-2026
93.21
Qwen3-
ASR-1.7B
西班牙语
95.40
U2-ASR
90.26
FunASR
1.5
93.61
Seed-ASR
91.90
whisper-
large-v3-turbo
92.74
cohere-
transcribe-03-2026
93.87
Qwen3-
ASR-1.7B
法语
94.31
U2-ASR
85.26
FunASR
1.5
90.79
Seed-ASR
91.22
whisper-
large-v3-turbo
91.44
cohere-
transcribe-03-2026
92.10
Qwen3-
ASR-1.7B
印尼语
96.59
U2-ASR
89.15
FunASR
1.5
94.08
Seed-ASR
89.91
whisper-
large-v3-turbo
94.56
Qwen3-
ASR-1.7B
意大利语
95.19
U2-ASR
87.51
FunASR
1.5
90.67
Seed-ASR
91.91
whisper-
large-v3-turbo
89.10
cohere-
transcribe-03-2026
92.79
Qwen3-
ASR-1.7B
越南语
96.99
U2-ASR
89.51
FunASR
1.5
93.93
Seed-ASR
79.90
whisper-
large-v3-turbo
93.49
cohere-
transcribe-03-2026
93.54
Qwen3-
ASR-1.7B
俄语
94.74
U2-ASR
88.55
FunASR
1.5
88.61
Seed-ASR
90.42
whisper-
large-v3-turbo
91.07
Qwen3-
ASR-1.7B
葡萄牙语
93.15
U2-ASR
85.87
FunASR
1.5
90.68
Seed-ASR
87.35
whisper-
large-v3-turbo
87.78
cohere-
transcribe-03-2026
90.54
Qwen3-
ASR-1.7B
韩语
94.27
U2-ASR
87.22
FunASR
1.5
93.04
Seed-ASR
91.20
whisper-
large-v3-turbo
80.68
cohere-
transcribe-03-2026
93.30
Qwen3-
ASR-1.7B
- 中文通用与复杂语音场景——兼顾通用识别与会议语音
在 AISHELL、WS-Meeting、WS-Net 等公开语音识别基准上，U2-ASR 在通用中文、会议语音及复杂声学环境中保持稳定表现。其中 AISHELL-1 达到 99.2，WS-Net 达到 95.9，在长距离、多人会议及真实环境语音识别场景中展现出较强的鲁棒性。
WS-Meeting
95.8
U2-ASR 2.5
95.2
Qwen3-
ASR-1.7B
94.1
FunASR 1.5
93.7
Seed-ASR
Libri Clean
98.4
U2-ASR 2.5
97.9
Qwen3-
ASR-1.7B
98.3
FunASR 1.5
98.4
Seed-ASR
Libri Other
96.7
U2-ASR 2.5
96.1
Qwen3-
ASR-1.7B
96.6
FunASR 1.5
97.2
Seed-ASR
WS-Net
95.9
U2-ASR 2.5
95.3
Qwen3-
ASR-1.7B
94.3
FunASR 1.5
95.3
Seed-ASR
Aishell-1
99.2
U2-ASR 2.5
98.6
Qwen3-
ASR-1.7B
97.8
FunASR 1.5
98.8
Seed-ASR
Aishell-2
97.9
U2-ASR 2.5
97.5
Qwen3-
ASR-1.7B
97.5
FunASR 1.5
97.2
Seed-ASR
Aishell-3
98.4
U2-ASR 2.5
98.0
Qwen3-
ASR-1.7B
95.9
FunASR 1.5
98.4
Seed-ASR
Fluers(zh)
96.8
U2-ASR 2.5
96.8
Qwen3-
ASR-1.7B
97.6
FunASR 1.5
97.0
Seed-ASR