Hy ASR 3.0 preview – Mô hình nhận dạng giọng nói thế hệ mới do Tencent Hunyuan ra mắt Đang hoạt động

Hy ASR 3.0 preview là mô hình nhận dạng giọng nói thế hệ mới do Tencent Hunyuan phát triển, dựa trên mô hình ngôn ngữ lớn Hy3 và kết hợp khả năng nhận dạng giọng nói độ chính xác cao với khả năng hiểu ngữ nghĩa sâu. Mô hình hỗ trợ tiếng Trung, tiếng Anh, tiếng Quảng Đông và 10 khu vực phương ngữ lớn, đồng thời có khả năng tự sửa lỗi thông minh theo ngữ cảnh, chèn từ khóa và hoạt động ổn định trong các bối cảnh phức tạp như môi trường nhiều tạp âm hoặc lời thì thầm. WER trên bộ đánh giá mã nguồn mở được kiểm soát ở mức khoảng 3%, còn trên bộ đánh giá tự xây dựng, mô hình vượt trội đối thủ trên mọi phương diện.

Nhận dạng chính xác đa năng: Hỗ trợ tiếng Trung phổ thông, tiếng Anh, tiếng Quảng Đông và lời nói pha trộn tiếng Trung - tiếng Anh, giảm lỗi ký tự, bỏ sót từ và tình trạng tích lũy lỗi trong âm thanh dài.
Hiểu ngữ nghĩa theo ngữ cảnh: Kết hợp Context để nắm bắt chính xác ngữ cảnh người dùng, tự động sửa các từ đồng âm và loại bỏ sự mơ hồ về ngữ nghĩa.
Thích ứng với việc chèn từ khóa: Hỗ trợ tăng cường các từ khóa như tên thương hiệu, tên người và thuật ngữ ngành, giảm chi phí tích hợp và bảo trì nghiệp vụ.
Ổn định trong môi trường phức tạp: Được tối ưu chuyên biệt cho các bối cảnh âm học như nhiều tạp âm, lời thì thầm và nói nhỏ, duy trì khả năng nhận dạng ổn định.
Phủ rộng phương ngữ: Hỗ trợ 10 khu vực phương ngữ lớn và hơn 20 khu vực phương ngữ cấp hai, bao gồm Quan thoại Đông Bắc, tiếng Quảng Đông, tiếng Ngô và tiếng Mân Nam.

Nâng cấp kiến trúc: Sử dụng kiến trúc MoE, nâng cấp mô hình nền lên Hy3; tự nghiên cứu bộ mã hóa giọng nói không giám sát, được huấn luyện trên hàng chục triệu giờ dữ liệu giọng nói để trích xuất các biểu diễn âm học chất lượng cao.
Scaling trong giai đoạn tiền huấn luyện: Bộ mã hóa và LLM được huấn luyện kết hợp, đưa vào hàng chục triệu giờ dữ liệu giọng nói từ nhiều nguồn như sách nói, hội thoại, video và phát thanh. Thông qua việc đưa năng lực vào theo nhiều giai đoạn, mô hình đạt được khả năng hiểu phương ngữ và lập mô hình ngữ cảnh.
Tăng cường sau huấn luyện: Xây dựng SFT Recipe chất lượng cao, bao phủ âm thanh phức tạp, ngữ cảnh Any Context và năng lực đa dụng; thông qua học tăng cường nhiều giai đoạn, lần lượt tối ưu độ chính xác chuyển lời nói thành văn bản nói chung, phụ thuộc dài hạn theo ngữ cảnh và hiệu quả trong các tình huống phức tạp, ít gặp.

Tích hợp qua API Tencent Cloud hoặc mở Tencent Yuanbao, nhấn giữ nút nói để trải nghiệm miễn phí.

Nâng cấp khả năng hiểu ngữ nghĩa: Dựa trên mô hình ngôn ngữ lớn Hy3, kết hợp khả năng nhận dạng giọng nói độ chính xác cao với khả năng hiểu ngữ nghĩa sâu, chuyển từ chuyển lời nói thành văn bản từng chữ sang hiểu ngữ cảnh và xuất kết quả trực tiếp chỉ với một lần thao tác.
Dẫn đầu toàn diện trong đánh giá: WER trên bộ đánh giá mã nguồn mở được kiểm soát ở mức khoảng 3%. Trên bộ đánh giá tự xây dựng, mô hình vượt trội đối thủ ở các bối cảnh phổ thông, phương ngữ, ngữ cảnh và âm học phức tạp.
Tự sửa lỗi thông minh theo ngữ cảnh: Kết hợp Context để nắm bắt chính xác ngữ cảnh, tự động sửa các từ đồng âm, loại bỏ sự mơ hồ về ngữ nghĩa và hỗ trợ lập mô hình phụ thuộc dài hạn.
Thích ứng nhanh với từ khóa: Hỗ trợ chèn các từ khóa như tên thương hiệu, tên người và thuật ngữ ngành, giảm chi phí tích hợp và bảo trì nghiệp vụ trong các bối cảnh chuyên môn.
Phủ rộng phương ngữ và môi trường phức tạp: Hỗ trợ 10 khu vực phương ngữ lớn cùng hơn 20 khu vực phương ngữ cấp hai, duy trì hiệu suất ổn định trong các môi trường âm học phức tạp như nhiều tạp âm và lời thì thầm.

Chăm sóc khách hàng thông minh: Trong các tình huống chăm sóc khách hàng qua điện thoại và trực tuyến, Hy ASR 3.0 preview nhận dạng chính xác tên thương hiệu và thuật ngữ nghiệp vụ thông qua chèn từ khóa, thực hiện chuyển lời nói thành văn bản theo thời gian thực và nâng cao đáng kể hiệu quả phản hồi dịch vụ.
Sáng tạo nội dung: Trong quá trình sản xuất nội dung âm thanh dài như podcast, cuộc họp và phỏng vấn, mô hình kết hợp khả năng hiểu ngữ nghĩa theo ngữ cảnh để tự động loại bỏ sự mơ hồ, xuất văn bản chất lượng cao, mạch lạc và dễ đọc chỉ với một lần thao tác, giảm chi phí biên tập hậu kỳ.
Tìm kiếm bằng giọng nói: Hỗ trợ người dùng truy vấn bằng giọng nói phương ngữ và nhận dạng chính xác lệnh thoại trong môi trường ồn ào, hiệu quả hạ thấp rào cản nhập liệu đối với người dùng đa ngôn ngữ và nhiều giọng khác nhau.
Cộng tác văn phòng: Trong các tình huống chuyển biên bản cuộc họp thành văn bản theo thời gian thực, mô hình vẫn duy trì khả năng nhận dạng ổn định ngay cả với đầu vào âm lượng thấp như lời thì thầm hoặc nói nhỏ, hỗ trợ đội ngũ giao tiếp hiệu quả và lưu giữ thông tin.
Thiết bị đầu cuối thông minh: Trong tương tác với các thiết bị IoT như hệ thống định vị trên xe và nhà thông minh, mô hình được tối ưu chuyên biệt cho môi trường âm học nhiều tạp âm, bảo đảm khả năng nhận dạng giọng nói ổn định và trải nghiệm người dùng trong các bối cảnh phức tạp.