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。基于最新一代大语言模型 Hy3 的语言理解能力，Hy ASR 3.0 preview 融合高精度语音识别与深度语义理解能力，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实现全面提升，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，从 “逐字转写、单点优化” 演进为 “理解语境、兼容场景、一键直出”。
Hy ASR 3.0 preview 在多个开源评测集和自建评测集上整体表现领先。在开源评测集中，Hy ASR 3.0 preview 在多语种的 WER（Word Error Rate, 词错误率）上都控制在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。
开源评测集表现：Hy ASR 3.0 preview 在语种及方言上均取得最低 WER，整体表现领先
在自建评测集上，Hy ASR 3.0 preview 在通用识别、方言识别、上下文 Context 理解、专词理解、复杂声学场景（高噪、耳语）等场景化评测中，WER 也保持较低水平，整体领先竞品。
自建评测集表现：在综合评测集上取得最低 WER，整体表现领先
从用户使用的角度，Hy ASR 3.0 preview 重点提升了四类能力，包括：
- 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，进一步减少错字、漏字及长音频中的错误累积。
- 更能理解用户意图：结合 Context 上下文精准捕捉用户语境，智能纠错同音词，消除语义歧义。
- 更容易适配专业场景：支持热词注入增强，帮助模型快速识别品牌产品名称、人名及行业术语，降低业务接入和持续维护成本。
- 复杂环境下更稳定：面向高噪、耳语、悄悄话等多种声学场景下进行专项优化，复杂条件下依然保持稳定表现。
架构、数据、后训练持续增强，提升语音识别能力上限
Hy ASR 3.0 preview 的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。
在架构层面，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，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，使其能够从复杂音频中提取高质量的声学表征。
为了持续提升模型的语音建模与理解能力，混元团队对语音 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的基础上，Hy ASR 3.0 preview 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能力。
围绕通用识别、上下文理解和复杂场景鲁棒性，团队构建了高质量的 SFT recipe，覆盖上下文 context、专业名词、不同声学环境以及多样人群语音。针对方言识别能力，SFT 数据体系进一步覆盖 10 大方言片区和 20 余个二级小片区。
在此基础上，团队进一步引入多阶段强化学习，分别针对通用转写准确性、Any-context 上下文能力和复杂长尾场景进行优化，降低模型在复杂声学环境中的误识别和漏识别问题。
目前 Hy ASR 3.0 preview 已上线腾讯云官网对外提供 API 服务，可广泛应用于智能客服、内容理解、语音搜索等场景。元宝深度参与共研并已完成首发上线，用户打开元宝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等能力提升，语音输入更准、更稳，且免费开放；WorkBuddy 等产品也在陆续接入中。
腾讯云 API 地址：
https://cloud.tencent.com/document/product/1093/135476
