8 月 4 日下午，腾讯混元正式上线了新一代语音识别模型 Hy ASR 3.0 preview。

你可能觉得语音识别不算什么新鲜事，讯飞、通义、Whisper 早就把这条路走了。但这次有点不一样——它是基于混元最新的 Hy3 大模型做的，简单说就是”一边听你说，一边用大模型去理解你在说什么”，而不是只做声学层面的”听写”。

换句话说，以前你对着手机说”开空调”，识别完给你转成”开空调”三个字；现在模型会先想一下”用户在开空调的场景下，可能说的是开空调还是开窗”，然后给出更准的结果。

更关键的是，这个能力已经能在元宝里免费用了。你只要打开元宝，按住说话按钮，体验就是最新版。

今天这篇就讲三件事：Hy ASR 3.0 到底升级了什么、为什么这次不一样、以及普通人怎么用上。

一、先看实测数据：三项硬指标打头阵

腾讯这次公布的数据不多，但都挺硬核：

• 中文普通话 WER（词错误率）3.34%
• 英语 WER 2.62%
• 粤语 WER 3.12%

WER 越低代表识别越准。3% 左右是什么概念？行业内的”工业可用”门槛大概在 5%，头部产品普遍在 3-4%。Hy ASR 3.0 这次直接摸到了 3%，跟讯飞、Whisper Large v3 同档，超过了多数同类云服务。

另一组数据是方言覆盖：10 大方言片区，20 多个二级小片区——粤语、吴语、东北话、四川话、河南话、陕西话、成都话、武汉话、长沙话、合肥话等都在范围内。这个对国内用户太重要了，因为我们平时说话本来就不标准，更别说带方言了。

但更让我感兴趣的是它在上下文理解上的能力提升。官方给了一个典型例子：

“致癌物质” vs “治癌物质”——同音字，光听声学信号很难分。Hy ASR 3.0 会结合上下文判断你说的是哪个。

这种能力不是语音识别模型自己能搞定的，必须有大模型兜底。这也解释了为什么腾讯这次非要把 Hy ASR 跟 Hy3 大模型绑定——没有大模型，语音识别就只能”听写”；有大模型，才能”听懂”。

二、四大核心能力：比”听写”多出来的那些事

1. 通用识别：方言、中英混说都不在话下

以前的语音识别对普通话要求高，吐字不清或者带方言就翻车。Hy ASR 3.0 在这块做了专门优化：

• 方言识别：10 大片区、20 多个小片区覆盖，粤语准确率能到 3.12%。
• 中英混说：一句话里既有中文又有英文，模型能正确切分。
• 复杂口音：老人、小孩、不同地域口音的容忍度都提高了。

对习惯带方言说话的人，这一条就值回票价。

2. 上下文理解：同音词、歧义句都能纠

这个是 Hy ASR 3.0 跟传统语音识别最大的区别。结合 Hy3 大模型的语义理解能力，模型会”先听懂，再输出文字”。

几个典型场景：

• 同音词消歧：「致癌物质」还是「治癌物质」、「期中考」还是「期终考」。
• 长音频错误累积：传统 ASR 跑 1 小时会议，错字会越积越多；大模型加持下，能用上下文回溯纠错。
• 口语化表达：用户说”那个什么就是这个东西”，模型能理解意图，转写成通顺的句子。

这条对会议纪要、采访转写、播客剪辑这些长音频场景最有价值。

3. 行业术语：热词注入是杀手锏

Hy ASR 3.0 支持 热词注入——你可以提前告诉模型”EBITDA”、”核磁共振氢谱”、”打野蓝开”这些专业术语，让它在识别时优先匹配。

这条对企业用户特别重要。比如：

• 金融行业的研报转写，得知道”EBITDA”、”杠杆率”是什么。
• 医疗行业的病历转写，得知道”心肌梗死”不会写成”心肌更死”。
• 游戏直播字幕，得识别”打野”、”上单”、”Gank”。

之前要实现这种能力，得自己训练定制模型。现在直接调 API 传热词列表就行。

4. 复杂环境：高噪、耳语也能用

很多人遇到过这种场景：在地铁里用语音输入，转出来一堆乱码。Hy ASR 3.0 在这方面做了专项优化：

• 高噪声环境：地铁、商场、咖啡馆的背景噪音。
• 耳语、悄悄话：声音很轻的情况。
• 远场拾音：隔着一两米说话。

这个能力对户外采访、记者现场报道、播客现场录制这些场景很关键。

三、三种上手方式：从”先试一下”到”接入业务”

方式一：元宝里直接免费用（适合所有人）

最省事的入口。打开元宝 App（或者桌面版），按住语音按钮说话就行。

元宝这次是”首发上线”——也就是混元 Hy ASR 3.0 在 8 月 4 日发布当天，元宝就同步接入了。用户完全无感，直接用就是最新版。

这个适合：

• 平时想用语音输入但嫌识别不准的人
• 临时想转写一段语音的人
• 不想注册 API 的普通用户

方式二：腾讯云 API（适合开发者）

如果要把语音识别集成到自己的产品里，走 API 路径。

具体步骤：

1. 开通语音识别服务：登录腾讯云语音识别控制台。
2. 创建密钥：在 CAM 控制台生成 SecretID 和 SecretKey。
3. 调用接口：参考实时语音识别（WebSocket）API 文档，把 engine_model_type 参数设为 Hy-ASR-3.0-preview 即可。

注意几个限制（内测版）：

• 仅支持 1 分钟以内的语音识别
• 仅支持 16k 单声道 PCM 音频格式
• 上下文传入和热词功能即将开放

这些限制说明现在还是 preview 阶段，正式版应该会放宽。如果你的场景是长音频（比如 1 小时会议），目前还得用其他方式，或者等正式版。

方式三：通过 WorkBuddy 接入（适合做 AI 助手的人）

腾讯自家的 AI 助手 WorkBuddy 也在陆续接入 Hy ASR 3.0。

WorkBuddy 的好处是：你不用直接调 API，直接在它的工作流里”说一句”，它就会帮你把语音转成文字，然后再用 Hy3 大模型去处理。

比如：

• 录一段会议音频，WorkBuddy 自动转写 + 生成纪要
• 录一段采访，WorkBuddy 转写后提炼关键观点
• 录一段播客，WorkBuddy 转写后自动生成节目笔记

之前我写过一篇 腾讯 WorkBuddy 独立 App 上线的文章，里面讲过它怎么跨平台工作。如果你的工作流本来就是围绕 WorkBuddy 展开的，语音识别能力升级就白送了。

四、真实场景：哪些人最该用

1. 会议纪要

之前用传统 ASR 跑 1 小时会议，错字率可能 5-8%，最后还得花半小时人工校对。Hy ASR 3.0 配合大模型纠错，能把错字率压到 3% 以下，会议纪要的可用性大幅提升。

具体做法：用手机录会议原音 → 导入 WorkBuddy → 自动转写 + 提炼待办。

2. 记者采访

记者做采访录音转写，最大的痛点是被采访人说话不清楚、带方言、专业术语多。Hy ASR 3.0 的方言覆盖 + 热词注入正好对症。

实战经验：采访前把”受访人姓名 + 关键概念”作为热词传给 API，能把”陶光辉”识别成”陶光辉”而不是”陶广辉”这种灾难性错误。

3. 直播字幕

游戏直播、知识直播、带货直播都需要实时字幕。Hy ASR 3.0 的低延迟 + 复杂环境适应能力，比传统 ASR 强很多。

但要注意 1 分钟限制——如果要做 2 小时的直播字幕，得想办法分段或者等正式版。

4. 播客剪辑

播客主最大的痛点之一是”找片段”。把整期音频转成文字后，搜索”AI”、”编程”、”特朗普”这些关键词就能直接定位到对应时间点。Hy ASR 3.0 的上下文理解能保证转写出来的文字是”人话”，而不是一堆生硬的同音字。

5. 跨境业务

Hy ASR 3.0 的英语 WER 2.62% 已经接近 Whisper Large v3 的水平。对于做英文访谈、英文会议、英文客服的企业，这个价格段（走腾讯云 API）比 Whisper 自托管划算很多。

五、和主流语音识别对比

把当前主流的几款产品放在一起对比：

几个值得展开的点：

1. WER 不是唯一指标

讯飞做了很多年，WER 跟 Hy ASR 3.0 几乎打平。但 Hy ASR 3.0 的杀手锏是大模型兜底——传统 ASR 转出来是”逐字稿”，Hy ASR 3.0 转出来更接近”可读稿”。

2. 价格还没出

腾讯云目前只公布了”大模型 2.0 计费方案”，Hy ASR 3.0 具体的语音识别单价还没公布。从过往定价策略看，混元走的是”高性价比”路线，实际用起来不会比讯飞贵。

3. 方言和场景的平衡

讯飞在方言覆盖上还是更全（24 种），但 Hy ASR 3.0 在上下文理解和热词支持上跟大模型结合得更好。两者定位略有差异，不存在绝对的”谁替代谁”。

4. Whisper 不适合生产

Whisper 在英文上很强，但在中文场景下 WER 5-8% 偏高了。除非是临时用或者自托管有成本优势，否则不建议拿来做生产。

六、用之前必须知道的几件事

1. 1 分钟限制

内测版只支持 1 分钟以内的语音识别。如果你的场景是长音频，得想其他办法：

• 分段调用：把长音频切成 1 分钟的小段，分别转写。
• 等正式版：按混元过往节奏，preview 到正式版通常 1-2 个月。
• 用其他工具临时顶上：长音频转写可以先用 Whisper，等正式版再切换。

2. 音频格式

仅支持 16k 单声道 PCM。如果你录的是 44.1k 立体声，得先转码。Python 用户可以用 pydub 或者 ffmpeg 处理：

# 用 ffmpeg 转码成 16k 单声道 PCM
ffmpeg -i input.m4a -ar 16000 -ac 1 -f s16le output.pcm

# 用 ffmpeg 转码成 16k 单声道 PCM
ffmpeg -i input.m4a -ar 16000 -ac 1 -f s16le output.pcm

3. 元宝免费版的功能边界

元宝里免费用的 Hy ASR 3.0 适合个人用户日常需求，但单条语音时长和每日调用次数可能有隐性限制（官方没明确说）。如果你是高频商业用户，建议直接走 API 路径。

4. 上下文和热词功能还没开放

API 文档里明确说”上下文传入和热词功能即将开放体验”。现在 API 调用暂时还用不到这两个能力，只能等。

七、写在最后

腾讯这次把语音识别跟大模型绑在一起，思路是对的。

传统 ASR 的天花板不在声学模型，而在”听写”之后还要做大量的文本校对和语义修正。如果 ASR 本身就能输出”接近可用的文字”，整个工作流的成本会大幅下降。

Hy ASR 3.0 这次的核心卖点是大模型兜底——同音词消歧、长音频纠错、上下文理解，本质上都是”大模型帮 ASR 兜底”。这跟 OpenAI Whisper v3、ElevenLabs 这些海外产品的方向是一致的，但腾讯的差异化在于更懂中文。

对普通人来说，最实际的动作是：打开元宝按住说话，体验一下最新版。如果你是开发者，去 Hy ASR 3.0 文档页 注册一下，跑个 demo 看看效果。

腾讯混元最近动作不少——之前的 AngelSpec 推理加速、HyOCR-1.5 开源、加上这次的 Hy ASR 3.0，明显是在把混元从”通用 LLM”往”全栈多模态”的方向推。

如果你对 AI 实战应用更感兴趣，可以翻翻我之前写的 AI 实战应用指南（2026版），里面把目前主流的 AI 工具按场景做了分类，对照着看会更清楚哪些该优先试。