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。

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、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。

从用户使用的角度，Hy ASR 3.0 preview重点提升了四类能力，包括：

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。

体验地址：

腾讯混元：https://aistudio.tencent.com/visual

腾讯云：https://cloud.tencent.com/document/product/1093/135476

版权声明：

本博客部分内容为转载文章，旨在分享有价值的信息，版权归原作者所有。

转载仅为个人学习与交流目的，不对文章观点负责，亦不用于任何商业用途。

如涉及版权问题，请联系本人删除。