騰訊混元 Hy ASR 3.0 preview：引入大模型語義理解的語音識別方案
為何重要
此次發布標誌著 ASR 從單純的語音轉文字工具，轉變為具備糾錯與理解能力的 AI Agent 入口，能直接提升智慧客服與企業內容生產的準確率。對模型競爭者而言，混元採用的 Encoder 與 LLM 聯合訓練路徑提供了新的技術對標樁，顯示中國大陸 AI 團隊在多模態基礎建設上持續深化。
騰訊混元於 8 月 4 日正式發布 Hy ASR 3.0 preview，將基座模型 Hy3 的語言理解能力整合進語音識別，實現從單點轉寫到語境感知的跨越。
- 在開源評測集上整體 WER 控制在 3% 左右，中文普通話 WER 為 3.34%、英語 2.62%、粵語 3.12%，整體領先競品。
- 採用 MoE 架構並與 Hy3 聯合訓練，透過數千萬小時無監督資料自研 Encoder 以從複雜音訊中提取高品質表徵。
- 融合多階段強化學習與 SFT recipe，最佳化熱詞注入及高噪、耳語等場景表現，並已在騰訊雲與元寶 App 上線。