腾讯混元发布Hy ASR 3.0 preview：语音识别开始“理解语境”，元宝已首发接入

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，将高精度语音识别与深度语义理解融合，在通用识别、上下文感知、多场景鲁棒性以及方言覆盖等核心维度全面提升，能够在更复杂的真实输入中给出准确、连贯且更接近用户意图的转写结果，实现从“逐字转写、单点优化”向“理解语境、兼容场景、一键直出”的演进。

在多个开源评测集上，Hy ASR 3.0 preview的多语种词错误率（WER）都控制在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；在自建评测集中，其在通用识别、方言识别、上下文理解以及高噪、耳语等复杂声学场景下也保持较低WER，整体领先竞品。

官方归纳了四类重点提升：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；更能理解用户意图，结合上下文精准捕捉语境，智能纠错同音词；更容易适配专业场景，支持热词注入增强，快速识别品牌产品名称、人名及行业术语；复杂环境下更稳定，针对高噪、耳语等声学场景专项优化。

能力提升并非来自单一模块，而是模型架构、数据Scaling与后训练优化共同作用的结果。Hy ASR 3.0 preview采用兼顾效率与性能的MoE架构，并将基座模型升级至Hy3；语音侧采用自研无监督语音Encoder，通过数千万小时级无监督语音数据训练，从复杂音频中提取高质量声学表征。

混元团队对语音Encoder与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，覆盖多种方言、口音和声学环境，并通过高质量数据管线进行精细化标注；在大规模联合预训练基础上，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。针对方言识别，SFT数据体系覆盖10大方言片区和20余个二级小片区，并进一步引入多阶段强化学习，分别优化通用转写准确性、Any-context上下文能力和复杂长尾场景，降低误识别和漏识别问题。

落地方面，Hy ASR 3.0 preview已上线腾讯云官网对外提供API服务，可应用于智能客服、内容理解、语音搜索等场景。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，且免费开放；WorkBuddy等产品也在陆续接入。