騰訊混元發佈Hy ASR3.0preview:語音識別邁入“懂語境”新階段

騰訊混元今日正式推出新一代語音識別模型Hy ASR 3.0 preview，這是該團隊首度將大型語言模型Hy3的深度語義理解能力，與高精度語音識別技術進行深度融合。這項嘗試讓語音識別不再只是單純的逐字轉寫，而是進一步走向理解語境、相容多元場景、一次到位的全面升級，被視為語音技術發展歷程中的一次關鍵轉折。 過去語音識別系統大多強調單點優化，例如在安靜環境下提高準確率，或針對特定口音進行調校，但面對真實世界多變的說話方式與背景噪音，往往難以兼顧全面表現。Hy ASR 3.0 preview的設計理念，是讓模型不只知道使用者說了什麼，更能掌握當下語境與意圖，從根本上改變語音互動的體驗方式。 根據官方公開的評測數據，Hy ASR 3.0 preview在多項開源評測集上都展現出色表現。在中文普通話部分，詞錯誤率低至3.34%，英語為2.62%，粵語則達到3.12%，整體水準控制在3%左右，顯示模型在主要語言的辨識穩定度上已具備高度成熟度。 除了標準語言之外，騰訊混元也建置了自有的評測資料集，涵蓋通用語音識別、十多種方言、上下文語義理解、專業術語辨識，以及高噪音環境、耳語等複雜聲學場景。在這些更具挑戰性的條件下，Hy ASR 3.0 preview的詞錯誤率依然維持在業界領先水準，展現出應對真實應用的韌性。 技術架構方面，Hy ASR 3.0 preview的能力升級來自全鏈路的系統性優化。模型採用兼顧運算效率與辨識效能的MoE架構，並將基座模型升級為Hy3大語言模型，同時配備自主研發的無監督語音Encoder。這套Encoder在數千萬小時等級的語音資料上進行訓練，大幅強化了聲學特徵的提取能力，讓模型能更細緻地捕捉語音中的關鍵訊息。 在預訓練階段，團隊特別將語音Encoder與大語言模型進行聯合訓練，並導入涵蓋多方言、多口音、多聲學環境的海量資料。透過多階段的能力注入策略，模型逐步強化對方言的辨識力，也建立起對上下文語境的感知能力。這樣的做法讓Hy ASR 3.0 preview在理解層次上遠超過傳統語音辨識系統。 進入後訓練環節後，騰訊混元也投注大量心力在細節打磨上。團隊建構了覆蓋超過20個方言小片區的SFT資料集，並結合多階段強化學習策略，針對複雜場景下容易出現的誤識別、漏識別問題進行反覆修正。這一系列訓練流程，使得模型在面對口音混雜、語速變化或背景干擾時，仍能維持穩定的輸出品質。 目前Hy ASR 3.0 preview已經正式上架騰訊雲官網，對外開放API服務，外界開發者與企業用戶皆可申請使用。這項技術可廣泛應用於智慧客服、內容理解、語音搜尋等領域，為各類語音驅動的應用場景提供更精準的底層支援。 騰訊旗下的AI助手「元寶」也已完成首波接入，使用者現在可以透過語音輸入功能，實際體驗Hy ASR 3.0 preview帶來的多項升級，包括方言辨識、上下文智慧糾錯，以及在複雜環境下維持穩定轉寫的能力。值得注意的是，相關功能目前採免費開放策略，一般用戶也能直接感受新一代語音識別技術的進步。另一方面，WorkBuddy等企業級產品也正陸續跟進接入，預期將進一步擴大這項技術的應用觸角。 業界普遍認為，這次Hy ASR 3.0 preview的發布，代表語音識別技術正從「聽得清楚」邁向「聽得懂」的新階段。當模型能夠真正理解使用者的意圖，語音互動就不再只是指令的傳遞，而是更自然、更貼近人類溝通的橋樑。隨著後續更多產品接入與應用場景開拓，這項技術可望為智慧裝置、客戶服務、內容生產等領域，帶來更深層的體驗變革。