Hy ASR 3.0 Preview – 腾讯混元发布的新一代语音识别模型

Hy ASR 3.0 Preview是腾讯混元发布的新一代语音识别（ASR）模型。它基于腾讯最新一代大语言模型 Hy3的语言理解能力，将高精度语音识别与深度语义理解深度融合，标志着语音识别从传统的”逐字转写、单点优化”向”理解语境、兼容场景、一键直出“的范式跨越。

该模型已上线腾讯云官网对外提供API服务，腾讯元宝已完成首发接入（用户长按说话即可体验），WorkBuddy等产品也在陆续接入中。

Hy ASR 3.0 Preview核心特点

1. 通用识别更精准

• 普通话、方言、中英混说等场景下识别准确率大幅提升，显著减少错字、漏字问题。

2. 上下文语境理解

• 结合上下文（Context）进行同音词智能纠错与意图推断，不再逐字孤立判断，而是理解整段语义后输出最合理转写。
• 例如：根据前后文自动区分”公式”与”公司”、”权利”与”权力”等。

3. 专业术语识别

• 支持热词注入（Hotword Injection），可针对医疗、法律、金融等垂直领域定制专业词库，提升冷门术语、行业黑话的”听中率”。

4. 复杂声学环境鲁棒性

• 在高噪音（菜市场、地铁）、耳语、远场、长音频等极端条件下保持稳定转写，长音频错误累积被有效抑制（半小时录音不会越听越偏）。

5. 方言广覆盖

• 覆盖10大方言片区、20多个二级小片区，包括粤语、吴语、四川话、闽南语等，方言识别能力行业领先。

6. 多语种能力

• 支持中文普通话、英语、粤语等多语种，各语种WER均控制在极低水平。

Hy ASR 3.0 Preview技术原理

1. 端到端融合架构（区别于传统两段式）

2. MoE架构 + Hy3基座

• 采用混合专家（MoE）架构，兼顾效率与性能。
• 语言侧基座升级为Hy3大语言模型（总参数2950亿，激活参数210亿，支持256K上下文窗口），提供强大的语言理解、上下文建模和语义推理能力。

3. 自研无监督语音Encoder

• 声学侧采用混元自研的无监督语音Encoder，用数千万小时级语音数据训练。
• 专门从复杂音频中提取干净的声音特征，对噪声、口音、语速变化具有强鲁棒性。

4. 多阶段训练优化

• 数据Scaling：海量多语种、多方言、多场景语音数据联合训练。
• 多阶段SFT（监督微调）：针对通用识别、方言、专业术语等分别精调。
• 强化学习（RL）：引入多阶段强化学习优化，进一步提升转写质量与语境适配能力。

5. 上下文建模机制

• 利用Hy3的长上下文窗口能力，对整段语音进行全局语义建模，而非逐句独立识别。
• 实现跨句同音词消歧、指代消解、语境补全等高级语言理解。

Hy ASR 3.0 Preview项目地址

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

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

Hy ASR 3.0 Preview性能优势（评测数据）

• 在多个开源评测集和自建评测集上整体表现领先竞品。
• 自建评测集覆盖通用识别、10余种方言、上下文语义理解、专业术语及高噪/耳语等复杂声学场景，WER同样保持行业最低水平。
• WER 3%左右已接近专业人工听写的错误率水平。

Hy ASR 3.0 Preview优势总结

Hy ASR 3.0 Preview应用场景

1. 智能客服：方言用户来电精准转写，结合上下文理解用户真实意图，减少误判与重复确认。
2. 会议/内容转写：长音频稳定转写，专业术语（法律、医疗、金融）精准输出，支持会后自动摘要。
3. 语音搜索：理解口语化、方言化查询表达，提升搜索召回率。
4. 语音输入法：中英混说、方言输入场景下智能纠错，减少手动修改。
5. 教育与无障碍：课堂录音转写、听障人士实时字幕，方言授课场景精准适配。
6. 内容理解与分析：播客、视频、直播等音视频内容的自动文字化，支撑下游NLP分析（情感、摘要、标签）。
7. 车载/IoT语音交互：高噪声环境下稳定识别，支持多轮对话上下文衔接。

Hy ASR 3.0 Preview与上一代的区别