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，该模型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、多场景鲁棒性及方言覆盖等维度实现全面提升，从传统的“逐字转写”演进为“理解语境、兼容场景、一键直出”。
评测表现：多语种词错误率控制在3%左右
Hy ASR 3.0 preview在多个开源评测集和自建评测集上表现领先。开源评测集数据显示，该模型在多语种的词错误率（WER，即Word Error Rate，数值越低代表识别越准确）上都控制在3%左右，其中中文普通话WER为3.34%，英语为2.62%，粤语为3.12%，整体领先于同类竞品。
在自建评测集上，Hy ASR 3.0 preview在通用识别、方言识别、上下文理解、专词理解以及高噪、耳语等复杂声学场景测试中，同样保持较低词错误率。
能力升级：四类核心提升
从用户使用角度，Hy ASR 3.0 preview重点提升了四类能力：
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。结合上下文精准捕捉用户语境，智能纠错同音词，消除语义歧义。例如，“期中考试”和“终考试”、“致癌”和“治癌”这类同音词，单靠声学信号难以区分，但结合上下文语义判断就能准确识别。
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进行专项优化，在工厂车间、地铁站、咖啡厅等复杂环境下依然保持稳定识别表现。
技术架构：三重驱动实现能力跃升
Hy ASR 3.0 preview的能力提升并非来自单一模块，而是模型架构、数据规模与后训练优化共同作用的结果。
架构层面，模型采用兼顾效率与性能的MoE架构，基座模型升级为Hy3。在语音侧，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，使其能够从复杂音频中提取高质量的声学表征——Encoder负责“听得好”，Hy3负责“理解对”。
数据层面，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。针对方言识别，SFT数据体系覆盖了10大方言片区和20余个二级小片区。
后训练层面，团队构建了高质量的SFT方案，覆盖上下文理解、专业名词、不同声学环境和多样人群语音，并进一步引入多阶段强化学习，分别针对通用转写准确性、上下文能力和复杂长尾场景进行优化，降低复杂声学环境中的误识别和漏识别问题。
上线进展：腾讯云与元宝同步开放
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。
腾讯旗下AI助手“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，相关功能向用户免费开放。此外，WorkBuddy等办公产品也在陆续接入中。
从“逐字转写”到“理解语境”，Hy ASR 3.0 preview让语音识别不再只是“听清”每个字，而是在理解用户真实意图后给出更准确的文字结果。这一技术演进将为多场景语音交互体验带来切实提升。
