Hy ASR 3.0 preview – Tencent Hunyuanが提供する次世代音声認識モデル 運営中

Hy ASR 3.0 previewは、Tencent Hunyuanが提供する次世代音声認識モデルです。Hy3大規模言語モデルを基盤とし、高精度な音声認識と深い意味理解を融合しています。中国語、英語、広東語および10の主要方言地域に対応し、文脈に基づくインテリジェントな誤認識補正、ホットワード注入、高ノイズ・ささやき声などの複雑な環境における堅牢性を備えています。オープンソース評価セットではWERを約3%に抑え、自社評価セットでは競合製品を全面的に上回っています。

汎用かつ高精度な認識： 中国語標準語、英語、広東語、中国語と英語の混在発話に対応し、誤字や脱落、長時間音声におけるエラーの累積を低減します。
文脈・意味理解： Contextを組み合わせてユーザーの文脈を正確に捉え、同音異義語をインテリジェントに補正し、意味の曖昧さを解消します。
ホットワード注入への対応： ブランド名、人名、業界用語などのホットワード強化に対応し、業務への導入・保守コストを削減します。
複雑な環境への堅牢性： 高ノイズ、ささやき声、小声などの音響環境に特化して最適化し、安定した認識性能を維持します。
広範な方言カバレッジ： 10の主要方言地域と20以上の下位方言区に対応し、東北官話、広東語、呉語、閩南語などを含みます。

アーキテクチャの刷新： MoEアーキテクチャを採用し、基盤モデルをHy3にアップグレード。独自開発の教師なし音声Encoderを、数千万時間の音声データで学習し、高品質な音響表現を抽出します。
事前学習のスケーリング： EncoderとLLMを共同学習し、数千万時間に及ぶ複数ソースの音声データ（オーディオブック、対話、動画・放送など）を導入。複数段階の能力注入により、方言理解と文脈モデリング能力を獲得します。
事後学習による強化： 複雑な音声、Any Contextの文脈、汎用能力をカバーする高品質なSFT Recipeを構築。複数段階の強化学習により、汎用文字起こしの正確性、文脈における長距離依存、複雑で長尾のシーンにおける性能をそれぞれ最適化します。

Tencent Cloud API経由で接続するか、Tencent Yuanbaoを開いて話すボタンを押し続けるだけで無料体験できます。

意味理解の向上： Hy3大規模言語モデルを基盤とし、高精度な音声認識と深い意味理解を融合。逐語的な文字起こしから、文脈を理解してワンクリックで出力する機能へと進化しています。
評価で全面的に優位： オープンソース評価セットではWERを約3%に抑え、自社評価セットでは汎用、方言、文脈、複雑な音響環境のいずれにおいても競合製品を上回っています。
文脈に基づくインテリジェントな誤認識補正： Contextを組み合わせて文脈を正確に捉え、同音異義語をインテリジェントに補正し、意味の曖昧さを解消。長距離依存のモデリングにも対応します。
ホットワードへの迅速な適応： ブランド名、人名、業界用語などのホットワード注入に対応し、専門的なシーンにおける業務導入・保守コストを削減します。
方言と複雑な環境をカバー： 10の主要方言地域と20以上の下位方言区に対応し、高ノイズやささやき声などの複雑な音響環境でも安定した性能を維持します。

インテリジェントカスタマーサービス： 電話やオンラインカスタマーサービスのシーンで、Hy ASR 3.0 previewはホットワード注入によりブランド名や業務用語を正確に認識し、音声のリアルタイム文字起こしを実現して、サービス対応の効率を大幅に向上させます。
コンテンツ制作： ポッドキャスト、会議、インタビューなどの長時間音声コンテンツの制作において、文脈・意味理解により曖昧さをインテリジェントに解消し、ワンクリックで一貫性と可読性の高いテキストを出力。後編集のコストを削減します。
音声検索： 方言による音声検索に対応し、騒がしい環境でも音声指示を正確に認識。多言語・多様なアクセントを持つユーザーの入力のハードルを効果的に下げます。
オフィスコラボレーション： 会議議事録のリアルタイム文字起こしでは、ささやき声や小声など音量の小さい入力に対しても安定した認識を維持し、チームの効率的なコミュニケーションと情報蓄積を支援します。
スマートデバイス： 車載ナビゲーションやスマートホームなどのIoTデバイスとのインタラクションにおいて、高ノイズの音響環境に特化して最適化。複雑なシーンでの音声認識の堅牢性とユーザー体験を確保します。