Hy ASR 3.0 preview快速摘要
Hy ASR 3.0 preview是腾讯混元于2026年8月发布的新一代语音识别模型，基于Hy3大语言模型语言理解能力，融合高精度语音识别、上下文理解和复杂环境转写能力，适用于语音转文字、智能客服、会议记录、语音搜索等场景。
- 开发公司：腾讯混元
- 模型定位：语音识别模型
- 发布时间：2026年8月4日
- 使用要求：当前内测版通过腾讯云API调用，仅支持实时语音识别、1分钟以内音频和16k单声道PCM输入
- 开源情况：目前未公开模型权重，主要通过腾讯云API提供服务
- 技术特点：采用MoE架构，结合Hy3语言理解能力、自研语音Encoder和大规模语音训练数据
- 价格：腾讯元宝支持免费体验，腾讯云API按照相关语音识别服务规则计费
Hy ASR 3.0 preview的核心优势
- 语义理解增强：基于Hy3大语言模型和语音识别融合架构，增强上下文理解能力。中文普通话WER达到3.34%，英语WER达到2.62%，提升语音转文字准确性。
- 方言识别能力：通过大规模多来源语音数据训练，支持普通话、英语、粤语及20种方言，覆盖10大方言片区，提升多口音场景识别效果。
- 复杂环境适应：针对高噪、耳语等声学场景优化，降低环境干扰导致的错误识别，提升会议记录、智能客服等场景稳定性。
- 上下文纠错能力：结合Context上下文建模技术，识别同音词和专业术语时参考语义环境，提高AI语音识别结果可读性。
- 专业场景适配：支持热词注入功能，可增强品牌、人名和行业词汇识别，适合企业语音转文字API应用。
Hy ASR 3.0 preview的主要功能
- 实时语音转文字：通过腾讯云WebSocket接口实时接收语音流并返回文本，适用于语音助手、客服转写和在线字幕场景。
- 多语言语音识别：支持中文普通话、英语、粤语及多方言识别，可处理中英混说输入，适用于视频字幕生成和语音搜索。
- 上下文智能纠错：利用Hy3语言理解能力分析上下文，对同音词、歧义表达进行优化，提高会议记录AI工具输出质量。
- 热词增强识别：支持专业词汇配置，可提升产品名称、企业术语和行业关键词识别效果，降低业务适配成本。
- 复杂场景转写：针对高噪音、耳语和低音量输入优化，在真实环境中保持较稳定的语音识别表现。
Hy ASR 3.0 preview的技术原理
- MoE架构设计：采用MoE模型架构并升级Hy3语言基座，通过专家网络协同处理语音和文本信息，增强推理能力。
- 语音Encoder训练：采用自研无监督语音Encoder，利用数千万小时级语音数据训练，提取复杂音频中的声学特征。
- 联合训练机制：语音Encoder与大语言模型联合训练，引入多来源语音数据，提升上下文理解和多语言识别能力。
- 后训练优化：通过SFT和多阶段强化学习优化通用转写、Context理解及复杂场景表现，降低错误识别率。
- 方言能力增强：训练数据覆盖10大方言片区和20余个二级小片区，提升方言语音转文字效果和应用范围。
Hy ASR 3.0 preview与主流模型对比
| 对比维度 | Hy ASR 3.0 preview | Whisper large-v3 | Doubao-Seed-ASR |
|---|---|---|---|
| 模型定位 | 语音识别+语义理解模型 | 通用语音识别模型 | 语音识别模型 |
| 中文WER | 3.34% | 公开测试约4%左右 | 第三方整理约3.70% |
| 英语WER | 2.62% | 公开测试表现稳定 | 第三方整理约5.65% |
| 方言能力 | 支持20种方言 | 有限 | 支持中文语音场景 |
| 上下文理解 | 支持Context语义理解 | 主要依靠识别模型 | 结合大模型能力 |
| API支持 | 腾讯云API | 开源部署/API服务 | 平台API |
从技术路线来看，Hy ASR 3.0 preview与传统语音识别模型的主要区别在于融合了大语言模型理解能力。Whisper large-v3主要依靠端到端语音识别架构，在多语言识别方面具有较强通用能力；Hy ASR 3.0 preview则通过Hy3语言模型增强上下文理解，更适合需要语义纠错和专业词汇处理的场景。不同模型测试结果会受到数据集、音频环境和评测标准影响，因此WER数据不能完全代表所有实际体验。对于普通语音转文字需求，可根据部署方式选择；对于中文场景、方言识别、智能客服和会议记录等需求，Hy ASR 3.0 preview提供了更针对性的能力。
如何使用Hy ASR 3.0 preview
- 普通用户：可打开腾讯元宝，按住语音输入即可免费体验方言识别、上下文纠错和实时语音转文字功能。
- 开发者：可通过腾讯云语音识别API接入，创建密钥并调用实时语音识别接口，将模型参数设置为Hy-ASR-3.0-preview即可使用；
Hy ASR 3.0 preview相关资源
- API文档：https://cloud.tencent.com/document/product/1093/135476
- 官方体验平台：https://aistudio.tencent.com/visual（推荐电脑端访问）
Hy ASR 3.0 preview的应用场景
- 智能客服：用于客服通话实时转写，结合热词识别品牌和业务术语，帮助企业提升客服质检和服务分析效率。
- 会议记录：支持会议语音实时转文字，结合上下文理解生成更准确的会议内容，减少人工整理成本。
- 视频字幕生成：适用于短视频、课程和访谈内容处理，将语音快速转换为字幕文本，提高内容制作效率。
- 语音搜索：支持用户通过语音完成搜索操作，结合方言识别能力，降低不同口音用户的使用门槛。
- 智能终端：可应用于车载设备、智能家居等场景，通过稳定语音识别提升人机交互体验。
Hy ASR 3.0 preview常见问题
Hy ASR 3.0 preview怎么用？
Hy ASR 3.0 preview可以通过腾讯云API调用，也可以在腾讯元宝中免费体验。开发者需配置API密钥并调用实时语音识别接口，当前内测版支持实时转写和16k单声道PCM音频输入。
Hy ASR 3.0 preview如何计费？
腾讯云API按照语音识别服务规则计费，具体价格需查看当前计费方案。普通用户可通过腾讯元宝免费体验语音输入功能，企业使用建议根据调用量评估成本。
Hy ASR 3.0 preview和Whisper哪个好？
两者定位不同，Whisper偏向通用开源语音识别，Hy ASR 3.0 preview结合Hy3大语言模型增强上下文理解，更适合中文、方言和专业场景语音转文字需求。
Hy ASR 3.0 preview支持实时转写吗？
支持实时转写，目前通过腾讯云实时语音识别WebSocket接口提供服务。不过内测版本存在限制，仅支持1分钟以内语音输入，部分高级功能尚未开放。
Hy ASR 3.0 preview支持哪些语言？
Hy ASR 3.0 preview支持中文普通话、英语、粤语以及多种方言识别，目前覆盖20种方言，可用于多语言语音转写和复杂口音识别场景。
相关文章
浙公网安备33010202004812号