腾讯混元发布Hy ASR 3.0 preview：让语音识别从转写走向上下文理解

事件概述

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。该模型基于最新一代大语言模型 Hy3 的语言理解能力，融合高精度语音识别与深度语义理解，从“逐字转写、单点优化”演进为“理解语境、兼容场景、一键直出”。

核心能力

• 通用识别更准确：提升通用语音、方言、中英混说等场景下的识别准确性，减少错字、漏字问题。
• 更能理解用户意图：结合上下文精准捕捉用户语境，智能纠错同音词，消除语义歧义。
• 更容易适配专业场景：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，降低业务接入和持续维护成本。
• 复杂环境下更稳定：针对高噪、耳语、悄悄话等多种声学场景进行专项优化，保持稳定表现。

评测表现

在开源评测集中，Hy ASR 3.0 preview 的多语种 WER 均控制在 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，模型在通用识别、方言识别、上下文理解、复杂声学场景（高噪、耳语）等评测中保持较低 WER，综合表现领先。

技术要点

• 采用兼顾效率与性能的 MoE 架构，基座模型升级为 Hy3，增强语言理解、上下文建模和语义推理能力。
• 语音侧自研无监督语音 Encoder，通过数千万小时级无监督语音数据训练，提取高质量声学表征，并与语音 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标注。
• 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能力。
• SFT 数据体系覆盖 10 大方言片区和 20 余个二级小片区，并引入多阶段强化学习，针对通用转写准确性、上下文能力和复杂长尾场景进行优化，降低误识别和漏识别。

落地进展

Hy ASR 3.0 preview 已上线腾讯云，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完成首发上线，用户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能力，目前免费开放；WorkBuddy 等产品也在陆续接入中。

体验地址：https://aistudio.tencent.com/visual；https://cloud.tencent.com/document/product/1093/135476