6.0
深览指数
产品腾讯新闻··AI 生成
腾讯混元Hy ASR 3.0 preview发布！能理解上下文的语音识别来了
腾讯混元发布Hy ASR 3.0 preview，核心卖点是“能理解上下文的语音识别”，而非逐字转写。它基于Hy3大模型和自研无监督语音Encoder，通过MoE架构、数据Scaling和后训练优化三重驱动，在方言识别（覆盖10大方言片区）、上下文同音词纠错、行业术语理解和复杂噪声环境（高噪、耳语）等维度均有显著提升。该模型已在腾讯元宝首发上线，并开放腾讯云API服务。文章属于产品发布技术介绍，主要面向对ASR技术前沿和腾讯云产品能力感兴趣的技术决策者。原文 ↗
核心观点
- ▍Hy ASR 3.0 preview的核心目标是让语音识别从“听清”演进为“听懂”，通过上下文感知和语义理解来消除歧义（如同音词），而非仅做逐字转写。
- 01在方言识别上，覆盖了粤语、吴语等10大方言片区和20余个二级小片区，在开源评测集中，中文普通话WER为3.34%，英语WER 2.62%，粤语WER 3.12%。
- 02针对同音词歧义（如“期终考试”vs“期中考试”），利用Hy3大模型的上下文理解能力进行智能纠错，这在长音频会议纪要、访谈转写中优势明显。
- 03模型架构采用MoE，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，并通过联合训练和强化学习后训练优化，提升复杂声学场景（高噪、耳语）的鲁棒性。
- 04支持热词注入增强，可针对企业特定业务快速识别品牌名、人名和行业术语（如EBITDA、核磁共振氢谱），降低接入和持续维护成本。
- 05已在腾讯元宝中首发上线，并开放腾讯云API，支持智能客服、内容理解、语音搜索等场景。
反方 / 局限
- — 文章未提及Hy ASR 3.0在当前竞品（如OpenAI Whisper、百度、阿里等）中的定位对比，也未披露其模型参数量、推理延迟或成本等关键工程指标，对实际部署决策的参考价值有限。
5 分钟 · 3 卡片 · 6 资料
读原文 →