今天我们不急着介绍模型，先来玩个游戏。
下面有几段语音，请你挑战一下听写，并预估下会有多少的准确率。
觉得小意思？还是有点悬？
我们用腾讯混元今天发布的最新语音识别模型Hy ASR 3.0 preview挑战了一下，结果是这样的：
无论是方言、中英文混说、同音词、专业术语识别，还是嘈杂环境中的转写，这几道题Hy ASR 3.0 preview都做到了完全精准识别。
而这些结果背后，是Hy ASR 3.0 preview的语音识别全面升级。基于最新一代大语言模型Hy3的语言理解能力，以及融合了高精度语音识别与深度语义理解能力，它的目标很简单：让语音识别不再只是听清，而是真正听懂。
通过先理解你的语境和意图，再把准确的文字直接给到你。从“逐字转写、单点优化”演进为“理解语境、兼容场景、一键直出”。
//能理解上下文的语音识别
能理解上下文的语音识别，带来的，是在通用识别、上下文感知、多场景鲁棒性（即在各种不理想条件下保持准确识别的能力，如嘈杂环境）以及方言覆盖等核心维度识别能力的全面提升。
-通用识别：不再需要标准普通话
以前，每次使用语音识别都要认真吐字，生怕普通话不标准识别不准确。
现在，即使你用方言来一段绕口令，或者来一段中英夹杂的rap，Hy ASR 3.0 preview也完全能接住招。
Hy ASR 3.0 preview的方言识别覆盖粤语、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，Hy ASR 3.0 preview 在多语种的WER（Word Error Rate, 词错误率）上控制在3%左右，其中中文普通话WER 3.34%、英语WER 2.62%、粤语WER 3.12%，整体处于行业领先水平。
你可以说得快一点、随意一点，它都能跟得上。
-上下文理解：同音词不再是坑
期中考试还是期终考试？致癌物质还是治癌物质？
这些同音词单靠声学信号很难区分，但通过上下文语义判断，问题就迎刃而解了。
Hy ASR 3.0 preview结合Hy3的语言理解能力，结合上下文Context精准捕捉用户语境，消除歧义，智能纠错同音词。这在转写难度较大的会议纪要、访谈转写等长音频场景中却尤为有优势：越说越懂你。
-行业术语识别：你的专属百事通
金融报告里的“EBITDA”、化学研究里的的“核磁共振氢谱”、游戏直播里的“打野蓝开”......每个领域的术语，Hy ASR 3.0 preview都是行家。
此外，针对不同企业和业务的特殊场景和定制化需求，Hy ASR 3.0 preview还支持热词注入增强，帮助模型快速识别品牌产品名称、人名及行业术语。对于企业来说，可以大幅降低业务接入和持续维护的成本。
-复杂场景识别：既能应对高噪，又能听清耳语
真实世界的语音不会总是安静的录音棚。工厂车间、街道、篮球场......这些场景下，声学信号的退化是几何级的。
Hy ASR 3.0 preview面向高噪、耳语、悄悄话等多种声学场景下进行专项优化，既能应对地铁站、KTV等环境的嘈杂，也能听清咖啡厅、办公室、图书馆里的那些悄悄话。
//架构、数据、后训练三重驱动
Hy ASR 3.0 preview的能力提升并非来自单一模块的补丁式优化，而是模型架构、数据Scaling与后训练优化共同作用的结果。
模型架构层面：采用兼顾效率与性能的MoE架构，基座模型升级至Hy3。在语音侧，混元团队自研了无监督语音Encoder，通过数千万小时级的无监督语音数据训练，使其能够从各种复杂音频中提取高质量的声学表征。Encoder负责听得好，Hy3负责理解对。
数据Scaling层面：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，持续增强模型的语音建模与理解能力。并通过多阶段能力注入，使其具备上下文感知、复杂场景适应和方言识别等能力。
后训练优化上：围绕通用识别、上下文理解和复杂场景鲁棒性，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等。团队还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。
//腾讯云、元宝已同步上线
元宝深度参与Hy ASR 3.0 preview的研发，目前已完成首发上线，用户打开元宝，按住对话框，讲方言、说术语、在嘈杂或耳语场景里随口一问，都能听得更准、识别更稳，还能结合上下文自动纠正同音词。WorkBuddy等产品也在陆续接入中。
Hy ASR 3.0 preview也已上线腾讯云官网对外提供 API 服务，支持智能客服、内容理解、语音搜索等应用场景，每一处需要“把说的话变成文字”的地方，都可以用 Hy ASR 3.0 preview让识别更精准高效，欢迎接入反馈。
热门跟贴