腾讯新ASR模型：听觉与理解融合，错误率降至3%

腾讯混元正式发布了其最新的语音识别模型Hy ASR3.0 Preview。这不仅仅是又一次增量更新——这是机器处理口语方式的根本性转变。该模型超越了传统的“逐字转录”方法，转向更宏大的目标：上下文理解。基于腾讯最新一代大语言模型Hy3构建，它结合了高精度语音识别与深度语义理解。目标是什么？让AI不仅清晰听到每个词，而且真正理解你在说什么。

打破普通话壁垒

Hy ASR3.0 Preview最引人注目的特点之一是其令人印象深刻的语言范围。它不要求标准普通话——支持十大主要方言区，包括粤语和吴语，以及二十多个次级子区域。根据开源评估数据，该模型在多种语言中的词错误率（WER）徘徊在3%左右：普通话3.34%，英语2.62%，粤语3.12%。这些数字接近行业上限，使该模型成为语音识别领域的有力竞争者。

但准确性只是故事的一部分。通过利用Hy3的语言理解能力，该模型可以通过考虑更广泛的上下文来捕获用户意图。它自动消除歧义，并智能纠正同音词——发音相同但含义不同的词。在会议记录或长音频采访等场景中，这种“先理解，后转录”的方法表现出色。传统转录常常在同音混淆上出错，而Hy ASR3.0可以根据语义逻辑选择正确的词，提供有意义的结果。

幕后技术

Hy ASR3.0 Preview的核心使用混合专家（MoE）架构，平衡了效率和性能。基础模型已升级到Hy3，混元团队开发了专有的无监督语音编码器。该编码器在数千万小时的无监督语音数据上训练，从复杂音频中提取高质量的声学表示。简而言之，编码器负责“听清”，而Hy3负责“理解对”。

数据策略同样令人印象深刻。团队对语音编码器和大语言模型进行了联合训练，整合了数千万小时的多源语音数据。通过多阶段能力注入，模型获得上下文感知、复杂场景适应性和方言识别能力。后训练阶段专注于构建高质量的监督微调（SFT）解决方案，涵盖通用识别、上下文理解和复杂环境下的鲁棒性。这包括处理专业术语、不同声学设置和多样化的语音输入。此外，多阶段强化学习方法持续优化复杂长尾场景中的性能。

为何重要

对于日常用户，这项技术可能意味着更准确的语音助手、更好的会议转录工具，以及在嘈杂环境中与AI更流畅的交互。对于企业，它为更可靠的自动客服、高效的采访文档化，甚至跨方言的实时翻译打开了大门。从“听见”到“理解”的转变不仅是技术里程碑——它是迈向更自然、更类人的AI交互的一步。

关键要点

• Hy ASR3.0 Preview是腾讯混元的新语音识别模型，从转录转向上下文理解。
• 支持10大方言区和20多个子区域，普通话、英语和粤语的词错误率约为3%。
• 使用MoE架构和专有的无监督语音编码器，在数千万小时数据上训练。
• 结合语音识别与大语言模型理解，纠正同音词并捕获意图。
• 目标应用包括会议记录、长音频采访和复杂声学环境。