FireRedASR2S：面向工业级的全能自动语音识别系统
摘要
我们 presented FireRedASR2S，一个工业级全能自动语音识别 (ASR) 系统。它集成了四个模块于统一的管道中：ASR、语音活动检测 (VAD)、说话语言识别 (LID) 和标点预测 (Punc)。所有模块在评估基准测试中均实现了 SOTA 水平：FireRedASR2：一个具有两个变体的 ASR 模块，FireRedASR2-LLM（80 亿+ 参数）和 FireRedASR2-AED（10 亿+ 参数），支持普通话、中文方言和口音、英文以及代码混合。与 FireRedASR 相比，FireRedASR2 在识别准确率和方言、口音覆盖范围方面均取得了改进。FireRedASR2-LLM 在 4 个公开普通话基准测试上实现 2.89% 的平均字错率，在 19 个公开中文方言和口音基准测试上实现 11.55%，超越了包括豆包-ASR、Qwen3-ASR 和 Fun-ASR 在内的竞争基准。FireRedVAD：一个基于深度前馈顺序记忆网络 (DFSMN) 的超轻量模块（0.6 百万参数），支持流式 VAD、非流式 VAD 和多标签 VAD (mVAD)。在 FLEURS-VAD-102 基准测试上，它实现了 97.57% 的帧级 F1 和 99.60% 的 AUC-ROC，超越了 Silero-VAD、TEN-VAD、FunASR-VAD 和 WebRTC-VAD。FireRedLID：一个支持 100+ 语言和 20+ 中文方言和口音的编码器-解码器 LID 模块。在 FLEURS（82 种语言）上实现了 97.18% 的 utterance 级别准确率，超越了 Whisper 和 SpeechBrain。FireRedPunc：一个用于中文和英文的 BERT 风格标点预测模块。在多域基准测试上实现 78.90% 的平均 F1，超越了 FunASR-Punc（62.77%）。为推动语音处理领域的研究，我们在 https://github.com/FireRedTeam/FireRedASR2S 上发布了模型权重和代码。
引用
@article{arxiv.2603.10420,
title = {FireRedASR2S: A State-of-the-Art Industrial-Grade All-in-One Automatic Speech Recognition System},
author = {Kaituo Xu and Yan Jia and Kai Huang and Junjie Chen and Wenpeng Li and Kun Liu and Feng-Long Xie and Xu Tang and Yao Hu},
journal= {arXiv preprint arXiv:2603.10420},
year = {2026}
}