8月4日消息，腾讯混元发布新一代语音识别模型 Hy ASR 3.0 preview。官方介绍称，该模型基于最新大语言模型 Hy3，融合高精度语音识别与深度语义理解，在通用识别、上下文感知、复杂声学场景与方言覆盖等维度全面提升。Hy ASR 3.0 preview 已上线腾讯云提供内测 API，腾讯元宝完成首发上线，用户按住说话即可体验。 从"逐字转写"走向"理解语境"
官方将 Hy ASR 3.0 preview 的定位概括为一次范式演进：从"逐字转写、单点优化"到"理解语境、兼容场景、一键直出"。能力提升集中在四个方向。通用识别上，模型在通用语音、方言与中英混说场景下的准确性提升，重点减少错字、漏字以及长音频中的错误累积。意图理解上，结合上下文精准捕捉语境，智能纠错同音词，消除语义歧义。专业场景适配上，支持热词注入增强，帮助模型快速识别品牌名、人名与行业术语，降低业务接入成本。复杂环境稳定性上，针对高噪、耳语、悄悄话等声学场景进行专项优化。
WER：开源评测集多语种约 3%
据官方公布的数据，Hy ASR 3.0 preview 在开源评测集上的多语种词错误率（WER）控制在 3% 左右，其中中文普通话 3.34%、英语 2.62%、粤语 3.12%。自建评测集覆盖通用识别、方言识别、上下文理解、专词理解与高噪耳语等场景，官方称 WER 同样保持较低水平。
架构、数据与后训练
官方披露，模型能力提升来自架构、数据与后训练三方面共同作用。架构上，Hy ASR 3.0 preview 采用 MoE 并升级基座至 Hy3，进一步增强语言理解、上下文建模与语义推理能力。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，使其能从复杂音频中提取高质量声学表征。
数据与训练上，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。在大规模联合预训练的基础上，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；SFT 数据体系覆盖 10 大方言片区与 20 余个二级小片区。后训练阶段，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优化，降低复杂声学环境中的误识别和漏识别。
两个落地入口：元宝与腾讯云 API
Hy ASR 3.0 preview 已通过两条路径对外提供：腾讯元宝完成首发，腾讯云提供内测 API。
腾讯元宝是体验门槛最低的入口。元宝深度参与共研并完成首发上线，用户打开 App 或网页版按住说话即可调用，方言识别、上下文智能纠错与复杂环境转写等能力对用户免费开放，无需写代码。
腾讯云面向开发者。官方文档《混元 ASR（内测版）》（文档 ID 1093/135476）已上线，通过调用腾讯云实时语音识别 WebSocket API，在请求参数中将 engine_model_type设为 Hy-ASR-3.0-preview即可启用该模型。接口支持长语音流数据，实时返回识别结果，实现"边说边出文字"。内测期提供免费并发 20 路，计费按腾讯云大模型 2.0 方案执行。
支持范围与内测限制
腾讯云文档列出的支持范围是中文普通话、英语及 20 种方言，方言包括粤语、东北话、河南话、陕西话、成都话、重庆话、武汉话、贵阳话、青岛话、济南话、长沙话、合肥话、河北话、昆明话、兰州话、银川话、南昌话、北京话、四川话、天津话。
需要特别留意的是，腾讯云文档明确标注当前版本为"内测版本仅作为体验"，存在三方面限制：仅支持 1 分钟以内的语音识别；仅支持 16k 单声道 PCM 音频输入；不支持话者分离、VAD、词汇替换与噪音参数阈值。更关键的是，官方公告强调的"上下文理解"与"热词注入增强"两项能力，在内测版 API 中标注为"即将开放体验"——元宝侧已可体验上下文智能纠错，腾讯云 API 侧需要等后续开放。以这两项能力为测试重点的开发者，当前建议以元宝体验为准。
WorkBuddy 等产品也在陆续接入中。对开发者与企业，这是一个处于内测期、由混元统一维护的低成本接入选项，20 种方言覆盖对智能客服、内容理解、语音搜索等场景直接可用；但接入前需核对内测限制是否满足业务需求，尤其是 1 分钟时长与 16k 单声道 PCM 的格式约束。对语音识别市场，理解型 ASR 的入场意味着竞争维度从"谁转写得更准"延伸到"谁更懂上下文"——这场较量的前提，是内测版的能力边界与官方 WER 口径能经得起大规模实测检验。 参考链接
AI 速览
