Hy ASR 3.0 preview发布：从逐字转写迈向语境理解的语音识别新时代

语音识别技术正经历从“听到声音”到“听懂意图”的关键跃迁。传统的语音识别系统往往停留在逐字转写的层面，难以应对真实场景中的复杂语境、多方言差异以及噪声干扰等挑战。近日，一款基于大语言模型的新一代语音识别模型正式发布，标志着行业在语境理解和语义推理能力上迈出了重要一步。

评测表现：多语种识别准确率行业领先

该模型基于最新一代大语言模型的语言理解能力，融合高精度语音识别与深度语义理解，在通用识别准确率、上下文感知能力、多场景鲁棒性以及方言覆盖等核心维度实现全面提升。与传统方案相比，其核心突破在于从“逐字转写、单点优化”演进为“理解语境、兼容场景、一键直出”，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。

四大核心能力提升

在权威开源评测集上，该模型展现了优异的性能表现。多语种词错误率（WER）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%。在自建评测集上，模型在通用识别、方言识别、上下文理解、专业术语识别以及高噪、耳语等复杂声学场景中，同样保持了较低的词错误率，整体表现领先于同类竞品。

技术架构：MoE架构与数据Scaling的协同优化

从用户实际使用角度，该模型重点强化了四类核心能力： 第一，通用识别更准确。针对通用语音、方言、中英混说等场景进行了专项优化，进一步减少错字、漏字及长音频中的错误累积问题。 第二，更精准理解用户意图。结合上下文信息精准捕捉用户语境，智能纠错同音词，消除语义歧义，使转写结果更贴合真实表达。 第三，适配专业场景更便捷。支持热词注入增强功能，帮助模型快速识别品牌产品名称、人名及行业术语，有效降低业务接入和持续维护成本。 第四，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，即使在复杂条件下依然保持稳定可靠的识别表现。

该模型的能力提升并非来自单一模块的改进，而是模型架构、数据 Scaling 与后训练优化三者协同作用的结果。 在架构层面，模型采用兼顾效率与性能的MoE（混合专家）架构，并将基座模型升级至最新版本，进一步增强语言理解、上下文建模和语义推理能力。在语音侧，团队自研无监督语音Encoder，通过数千万小时级无监督语音数据训练，能够从复杂音频中提取高质量的声学表征。 在数据层面，团队对语音Encoder和大语言模型进行联合训练，引入覆盖多种方言、口音和声学环境的大规模多来源语音数据，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的基础上，模型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等综合能力。 在后训练阶段，团队构建了高质量的监督微调方案，覆盖上下文、专业名词、不同声学环境及多样人群语音。针对方言识别，还进一步覆盖了10大方言片区和20余个二级小片区。此外，通过多阶段强化学习，分别针对通用转写准确性、任意上下文能力和复杂长尾场景进行优化，有效降低了模型在复杂声学环境中的误识别和漏识别问题。

如有侵权，请联系删除。