腾讯混元 Hy ASR3.0 预览版发布：从"听清"到"听懂"，方言词错率压到 3%

腾讯混元正式推出新一代语音识别模型 Hy ASR3.0 Preview，标志着语音识别技术从"逐字转写"迈入"理解语境"的新阶段。该模型基于 最新 一代大语言模型 Hy3 构建，融合高精度语音识别与深度语义理解能力，核心目标直指一个质变——让 AI 不再只是听清每个字，而是真正听懂你说的话。

方言覆盖十大片区，长音频场景优势突出

在识别广度上，Hy ASR3.0 Preview 不要求标准普通话，方言识别覆盖粤语、吴语等 10 大方言片区和 20 余个二级小片区。开源评测集数据显示，该模型多语种词错误率（WER）控制在 3% 左右，其中中文普通话 3.34%、英语 2.62%、粤语 3.12%，整体准确度已接近行业 天花板 。

结合 Hy3 的语言理解能力，模型能够结合上下文语境精准捕捉用户意图，自动消除歧义并智能纠错同音词。在转写难度较高的会议纪要、访谈长音频等场景中，这一"先理解再转写"的思路优势尤为明显——传统逐字听写遇到同音歧义往往束手无策，而 Hy ASR3.0 能根据语义逻辑自动选择正确用词。

MoE 架构打底，千万小时级数据联合训练

技术层面，模型采用兼顾效率与性能的 MoE 架构，基座升级至 Hy3。混元团队自研了无监督语音 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——Encoder 负责"听得好"，Hy3 负责"理解对"。

在数据策略上，团队对语音 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，并通过多阶段能力注入，使模型具备上下文感知、复杂场景适应和方言识别能力。后训练环节则围绕通用识别、上下文理解和复杂场景鲁棒性构建高质量 SFT 方案，覆盖上下文 Context、专业名词、不同声学环境及多样人群语音，并引入多阶段强化学习针对复杂长尾场景持续优化。

目前，Hy ASR3.0 Preview 已上线腾讯云官网对外开放 API，可广泛应用于智能客服、内容理解和语音搜索等领域。腾讯旗下 AI 助手"元宝"已完成首发接入，用户可通过语音输入体验方言识别、上下文智能纠错和复杂环境稳定转写等功能且免费开放，WorkBuddy 等产品也在陆续接入中。当语音识别从"听字"进化到"听懂"，人与 AI 的交互方式正在被重新定义。