腾讯混元Hy ASR 3.0预览发布：上下文理解的语音识别技术革新

8月4日消息，今日，腾讯混元正式发布新一代语音识别模型Hy ASR 3.0 Preview，目前已上线腾讯云官网并对外提供API服务，可应用于智能客服、内容理解、语音搜索等场景。

腾讯元宝深度参与模型共研，并已完成首发接入，用户打开元宝长按说话，即可体验方言识别、上下文智能纠错以及复杂环境稳定转写等能力，相关功能免费开放。

与此同时，WorkBuddy等腾讯产品也在陆续接入。

据腾讯介绍，Hy ASR 3.0 Preview基于新一代大语言模型Hy3的语言理解能力，将高精度语音识别与深度语义理解相结合，在通用识别、上下文感知、复杂场景稳定性和方言覆盖等方面实现升级。

评测数据显示，在开源测试集中，Hy ASR 3.0 Preview的多语种词错误率均控制在3%左右。

其中，中文普通话WER为3.34%，英语WER为2.62%，粤语WER为3.12%。

在自建评测集中，该模型在通用语音、方言、上下文理解、专业词汇以及高噪声、耳语等复杂声学场景中，也保持了较低的词错误率。

从实际使用体验来看，Hy ASR 3.0 Preview重点提升了四项能力。

首先是通用识别准确率进一步提升，可覆盖普通话、方言以及中英文混说等场景，减少错字、漏字和长音频识别偏差。

其次，模型支持结合Context上下文理解用户语境，可对同音词进行智能纠错，降低因上下文缺失导致的语义误判。

针对专业场景，Hy ASR 3.0 Preview支持热词注入增强，可快速识别品牌名称、产品名称、人名和行业术语，减少企业在模型适配和词库维护方面的成本。

此外，腾讯还针对高噪声、耳语和低声说话等场景进行了专项优化，使模型在复杂环境下仍能保持较为稳定的转写效果。

技术层面，Hy ASR 3.0 Preview采用兼顾效率和性能的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。

语音侧则采用腾讯自研的无监督语音Encoder，通过数千万小时无监督语音数据进行训练，从复杂音频中提取高质量声学特征。

为进一步提升语音建模和理解能力，混元团队还对语音Encoder与大语言模型进行联合训练，引入数千万小时、多来源语音数据，覆盖多种方言、口音和声学环境，并通过高质量数据管线完成精细化标注。