腾讯混元Hy ASR 3.0 preview发布：通用识别、方言覆盖、场景鲁棒性全面提升

机器之心发布 8 月 4 日，腾讯混元正式发布新一代 语音识别模型 Hy ASR 3.0 preview 。基于最新一代大语言模型 Hy3 的语言理解能力，Hy ASR 3.0 preview 融合高精度语音识别与深度语义理解能力， 在通用识别、上下文感知、多场景鲁棒性以及方言覆盖等核心维度实现全面提升 ，能够在更复杂的真实输入中给出准确、连贯且更接近用户意图的转写结果，从 “逐字转写、单点优化” 演进为 “理解语境、兼容场景、一键直出”。 Hy ASR 3.0 preview 在多个开源评测集和自建评测集上整体表现领先。在开源评测集中，Hy ASR 3.0 preview 在多语种的 WER（Word Error Rate, 词错误率）上都控制在 3% 左右，其中中文普通话 WER 3.34%、英语 WER 2.62%、粤语 WER 3.12%，整体领先竞品。 开源评测集表现：Hy ASR 3.0 preview 在语种及方言上均取得最低 WER，整体表现领先 在自建评测集上，Hy ASR 3.0 preview 在通用识别、方言识别、上下文 Context 理解、专词理解、复杂声学场景（高噪、耳语）等场景化评测中， WER 也保持较低水平，整体领先竞品 。 自建评测集表现：在综合评测集上取得最低 WER，整体表现领先 从用户使用的角度，Hy ASR 3.0 preview 重点提升了四类能力，包括： 通用识别更准确 ：提升通用语音、方言、中英混说等场景下的识别准确性，进一步减少错字、漏字及长音频中的错误累积。 更能理解用户意图 ：结合 Context 上下文精准捕捉用户语境，智能纠错同音词，消除语义歧义。 更容易适配专业场景 ：支持热词注入增强，帮助模型快速识别品牌产品名称、人名及行业术语，降低业务接入和持续维护成本。 复杂环境下更稳定 ：面向高噪、耳语、悄悄话等多种声学场景下进行专项优化，复杂条件下依然保持稳定表现。 架构、数据、后训练持续增强，提升语音识别能力上限 Hy ASR 3.0 preview 的能力提升并非来自单一模块，而是模型架构、数据 Scaling 与后训练优化共同作用的结果。 在架构层面 ，Hy ASR 3.0 preview 采用兼顾效率与性能的 MoE 架构，并将基座模型升级至 Hy3，进一步增强语言理解、上下文建模和语义推理能力。在语音侧，团队自研无监督语音 Encoder，通过数千万小时级无监督语音数据训练，使其能够从复杂音频中提取高质量的声学表征。 为了持续提升模型的语音建模与理解能力，混元团队对语音 Encoder 和大语言模型进行联合训练，引入数千万小时级、多来源的语音数据，覆盖多种方言、口音和声学环境，并通过高质量数据管线进行精细化标注。在大规模联合预训练的基础上，Hy ASR 3.0 preview 通过多阶段能力注入，逐步获得上下文感知、复杂场景适应和方言识别等能力。 围绕通用识别、上下文理解和复杂场景鲁棒性，团队构建了高质量的 SFT recipe，覆盖上下文 context、专业名词、不同声学环境以及多样人群语音。针对方言识别能力，SFT 数据体系进一步覆盖 10 大方言片区和 20 余个二级小片区。 在此基础上，团队进一步引入 多阶段强化学习 ，分别针对通用转写准确性、Any-context 上下文能力和复杂长尾场景进行优化，降低模型在复杂声学环境中的误识别和漏识别问题。 目前 Hy ASR 3.0 preview 已上线腾讯云官网对外提供 API 服务，可广泛应用于智能客服、内容理解、语音搜索等场景。 元宝深度参与共研并已完成首发上线，用户打开元宝按住说话即可体验方言识别、上下文智能纠错与复杂环境稳定转写等能力提升，语音输入更准、更稳，且免费开放；WorkBuddy 等产品也在陆续接入中。 腾讯云 API 地址： https://cloud.tencent.com/document/product/1093/135476 © THE END 转载请联系本公众号获得授权 投稿或寻求报道：liyazhou@jiqizhixin.com 阅读原文 平台地址： http://www.jintiankansha.me/t/KPwhIEiY6m