Тенсент Хуньюань Hy ASR 3.0 Preview: распознавание речи, которое не просто слышит, но и понимает контекст

Введение

Компания Тенсент выпустила Hy ASR 3.0 Preview — новую модель распознавания речи в реальном времени, построенную на основе языковых возможностей Hy3.

Данная модель призвана вывести автоматическое распознавание речи за рамки изолированного акустического декодирования.

Традиционные системы ASR в основном отвечают на один вопрос:

Какая последовательность слов лучше всего соответствует этому аудио?

Hy ASR 3.0 добавляет второй вопрос:

Какая транскрипция наиболее осмысленна в данном контексте?

Это различие становится критически важным, когда аудио содержит:

• Омофоны.
• Региональные акценты.
• Диалекты.
• Смешанную китайско-английскую речь.
• Названия продуктов и имена людей.
• Фоновый шум.
• Шёпот или речь с низкой громкостью.
• Длинные предложения или высказывания с сильной смысловой зависимостью.

В Тенсенте заявляют, что модель сочетает высокоточную акустическую систему с контекстным моделированием и смысловым выводом Hy3. Её цель — не творчески пересказывать сказанное пользователем, а выбирать более правдоподобный вариант транскрипции, используя языковой контекст, когда само аудио неоднозначно.

В Тенсенте сообщают, что на агрегированных публичных тестовых наборах уровень ошибок в словах (WER) для путунхуа составляет 3,34%, для английского — 2,62%, для кантонского — 3,12%.

Hy ASR 3.0 Preview уже доступен как движок Tencent Cloud Realtime WebSocket с документационной поддержкой и интегрирован в ассистента Tencent Yuanbao. Приложения WorkBuddy и другие продукты Тенсента постепенно подключаются.

Публичная предварительная версия уже доступна, однако она ещё не представляет собой финальную версию продукта, описанную в более широких анонсах. Текущие ограничения API могут быть существенны для команд, планирующих производственную интеграцию.

Опубликованные результаты публичных бенчмарков

Тенсент оценил Hy ASR 3.0 Preview на нескольких публичных наборах речевых данных и сравнил его с другими системами ASR.

Компания сообщает следующие агрегированные показатели WER:

Язык или речевой вариант	WER Hy ASR 3.0 Preview
Путунхуа	3,34%
Английский	2,62%
Кантонский	3,12%

Чем ниже WER, тем лучше.

Примечания к диаграмме указывают, что в агрегированной оценке использовались следующие наборы данных:

• WenetSpeechMeeting.
• WenetSpeechNet.
• FLEURS (китайский).
• LibriSpeech clean.
• LibriSpeech other.
• FLEURS (английский).
• MLS (английский).
• FLEURS (кантонский).
• Common Voice (кантонский).

Агрегированные данные полезны для широких сравнений, но могут скрывать важные различия.

Модель может показывать разные результаты в разных сценариях:

• Читаемая речь и спонтанный диалог.
• Ближний и дальний микрофоны.
• Чистая студийная запись и уличный шум.
• Короткие команды и непрерывные обсуждения.
• Речь носителей языка и речь с акцентом.
• Формальный путунхуа и переключение языковых кодов.

Поэтому производственным командам следует тестировать модель на собственном аудио.

Не стоит выбирать систему ASR, полагаясь только на один показатель WER из заголовка.

Что измеряет уровень ошибок в словах

Уровень ошибок в словах обычно определяется так:

WER = (замены + удаления + вставки) / количество слов в эталонной транскрипции

Три типа ошибок:

• Замена: модель выдала неправильное слово.
• Удаление: произнесённое слово отсутствует в транскрипции.
• Вставка: в транскрипции присутствует слово, которое не было произнесено.

Более низкий WER обычно означает более точную транскрипцию.

Однако WER не охватывает все типы сбоев в реальных сценариях.

Рассмотрим две ошибки в одном слове:

«Ship the order tomorrow»
→ «Ship the order today»

И:

«The color is navy blue»
→ «The colour is navy blue»

Обе могут дать одинаковое количество ошибок, но первая может изменить деловое действие, тогда как вторая может вообще не иметь никакого влияния на бизнес.

Для таких областей, как обслуживание клиентов, здравоохранение, финансы, производство и голосовые интерфейсы управления, командам следует оценивать и смысловое влияние, и WER.

Внутренняя оценка сценариев в Тенсенте

Тенсент также опубликовал результаты внутренних тестовых наборов, охватывающих четыре практические категории:

1. Общее распознавание речи.
2. Распознавание диалектов.
3. Контекстное понимание.
4. Сложные акустические условия, такие как сильный шум и шёпот.

Заявленные результаты:

Внутренняя категория оценки	WER Hy ASR 3.0 Preview
Общее распознавание	4,95%
Распознавание диалектов	9,31%
Контекстная оценка	4,76%
Сложные акустические условия	6,36%

Тенсент заявляет, что Hy ASR 3.0 Preview достиг наименьшего WER среди сравниваемых систем во всех четырёх внутренних категориях.

Эти результаты полезны как заявленные компанией свидетельства качества продукта, однако внутренние тестовые наборы не являются нейтральным публичным бенчмарком.

Перед внедрением организациям следует задать вопросы:

• Какие акценты и диалектные регионы были включены в тесты?
• Каков уровень шума в аудио?
• Как нормализуется пунктуация?
• Нормализуются ли числа и английские термины перед оценкой?
• Были ли у сравниваемых систем настроены горячие слова или контекст?
• Сколько образцов речи использовалось?
• Включали ли тесты микрофоны и каналы, которые реально использует организация?

Четыре пользовательских улучшения

Тенсент сводит практические улучшения к четырём областям.

1. Более точное общее распознавание

Модель призвана улучшить распознавание в следующих сценариях:

• Стандартный путунхуа.
• Английский язык.
• Кантонский диалект.
• Региональные диалекты.
• Смешанная китайско-английская речь.
• Разные говорящие и акценты.

Тенсент также заявляет, что модель снижает накопление ошибок в более длинных высказываниях.

Это утверждение описывает базовые возможности модели. Однако текущая предварительная версия Tencent Cloud по-прежнему ограничивает один публичный API-запрос 60 секундами, поэтому приложениям, обрабатывающим совещания или записи, сейчас приходится разбивать аудио на сегменты.

И самостоятельно управлять контекстом между фрагментами.

Неудачная сегментация может заново создать те проблемы, которые модель призвана решать.

Например, разрезание аудио по произвольным 60-секундным границам может разорвать:

• Полное имя человека.
• Код продукта.
• Предложение с отложенным смыслом.
• Смешанную китайско-английскую фразу.
• Самоисправление говорящего.

Поэтому логика сегментации должна по возможности сохранять границы предложений и границы речевой активности.

2. Лучшее распознавание контекста и намерений

Речь содержит множество неоднозначных звуков.

В путунхуа много омофонов. В английском есть слова и имена, которые звучат похоже. Диалектное произношение может сделать несколько вариантов транскрипции акустически правдоподобными.

Традиционные декодеры могут выбирать слово с локальной максимальной вероятностью.

Системы с учётом контекста могут оценивать всё высказывание целиком.

Например, пользователь может произнести фразу, которую можно транскрибировать как два разных омофона. Слова по теме финансов, игр, медицины или путешествий в ближайшем контексте могут подсказать, какое значение более вероятно.

Ожидаемый процесс обработки можно упростить так:

Аудиофункции
→ Слова-кандидаты
→ Контекст предложения
→ Проверка семантической согласованности
→ Итоговый текст транскрипции

Это не означает, что модель способна по-настоящему понимать речь так же, как человек.

Скорее это означает, что языковые компоненты используют более широкое контекстное окно и семантические вероятности для улучшения решений по транскрипции.

Контекстно-зависимые системы ASR также несут новый риск: семантическая сверхкоррекция.

Модель иногда может заменить редкую, но правильно произнесённую фразу на более распространённую, которая кажется более естественной.

Поэтому оценка в производственной среде должна включать:

• Редкие имена людей.
• Намеренно необычные высказывания.
• Терминологию новых продуктов.
• Отраслевые аббревиатуры.
• Противоречивые или неожиданные предложения.

Цель — использовать контекст, не выдумывая речевое содержание, которого не было в звуке.

3. Более лёгкая адаптация к профессиональной лексике

В маркетинговых материалах подчёркивается улучшение с помощью hotword (ключевых слов), применимое к:

• Названиям брендов.
• Названиям продуктов.
• Именам людей.
• Отраслевым терминам.
• Аббревиатурам.
• Внутренней лексике.

Когда общая модель недостаточно часто встречает редкое слово, hotword-списки могут быть особенно полезны.

Примеры:

Фирменные названия лекарств
Модели заводского оборудования
Коды клиентских счетов
Новые запущенные бренды
Технические аббревиатуры

В продукте Tencent Cloud Universal ASR уже есть API для списков hotword и параметр hotword_id.

Однако в текущей документации предварительной версии Hy ASR 3.0 прямо указано, что улучшение с помощью hotword пока не доступно для этого предварительного движка.

Поэтому следует различать публичные заявления о продукте и фактически доступный статус API:

Возможность	Описание в релизных заметках модели	Текущий статус предварительного API
Улучшение с помощью hotword	Описано как поддерживаемая возможность	Указано как «скоро появится»
Контекстный ввод	Описан как ключевая возможность	Указано как «скоро появится»
Внутреннее контекстное языковое моделирование	Ключевая особенность модели	Доступно через поведение модели

Предприятиям не следует строить планы запуска, зависящие от внешнего контекстного ввода или hotword-списков, пока Tencent Cloud не подтвердит поддержку в официальной документации API.

4. Более стабильное распознавание в сложных акустических условиях

Tencent сообщает, что модель оптимизирована для следующих случаев:

• Высокий фоновый шум.
• Шёпот.
• Тихая речь.
• Различные условия записи.
• Множество акцентов.
• Длинные акустические условия.

Устойчивость к шуму важна, потому что реальная речь редко похожа на чистые лабораторные записи.

Микрофон службы поддержки может улавливать звуки клавиатуры и голоса коллег рядом.

Мобильный ассистент может слышать дорожный шум, ветер, музыку или чужие разговоры.

Приложения для конференций могут получать сжатый аудиопоток с микрофона ноутбука, находящегося далеко.

Модель может повысить устойчивость, но не может восстановить информацию, которая никогда не была захвачена.

Командам по-прежнему следует использовать:

• Подходящие микрофоны.
• Подавление эха.
• Контроль усиления.
• Детекцию речевой активности, где это поддерживается.
• Разумное сжатие аудио.
• Мониторинг каналов.
• Процедуры повтора или уточнения.

Качество ASR — это свойство всей системы, а не только модели.

Архитектура: Hy3 плюс речевой энкодер

Tencent сообщает, что Hunyuan Hy ASR 3.0 Preview объединяет три основных компонента:

1. Основа языковой модели MoE на базе Hy3.
2. Собственный самообучающийся речевой энкодер.
3. Совместное предобучение и многоэтапное постобучение.

Hy3 как языковая основа

Hy3 предоставляет компонент языкового понимания.

Его функции включают:

• Моделирование контекста предложения.
• Разрешение неоднозначных кандидатов.
• Понимание смешанных языковых структур.
• Использование семантических связей.
• Повышение связности выходного текста.

Tencent описывает эту архитектуру как дизайн смеси экспертов (MoE), балансирующий производительность и эффективность.

В публичной документации по ASR не раскрываются полное число параметров, число активных параметров, профиль задержки или полная архитектура логического вывода Hy ASR 3.0 Preview.

Самообучающийся речевой энкодер

Речевой энкодер преобразует сырой звук в акустическое представление, которое может обрабатывать языковая модель.

Tencent сообщает, что энкодер обучался на десятках миллионов часов немаркированной речи.

Обучение без учителя или самообучение на аудио ценно, потому что ручная транскрипция такого объёма речевых данных стоила бы непомерно дорого.

Энкодер может извлекать из сырого аудио повторяющиеся структуры, такие как:

• Речевые паттерны.
• Различия между дикторами.
• Акцентные различия.
• Фоновые условия.
• Темп и просодия.

Качество этого представления влияет на все последующие этапы.

Если на этапе энкодера два звука оказываются перепутаны, языковая модель должна сильнее полагаться на контекст, чтобы восстановить правильные слова.

Совместное предобучение речи и языка

Tencent сообщает, что речевой энкодер и языковая модель обучались совместно на крупномасштабных многоисточниковых речевых наборах данных, охватывающих:

• Диалекты.
• Акценты.
• Акустическую среду.
• Разные группы говорящих.
• Контекстные языковые паттерны.

Совместное обучение направлено на сокращение разрыва между акустическим распознаванием и языковым пониманием.

Вместо того чтобы рассматривать распознавание речи как:

Аудиомодель завершает работу
→ Языковая модель затем чистит транскрипт

Hy ASR 3.0 представлен как более интегрированный процесс:

Речевое представление и языковое моделирование
→ Обучение работает совместно
→ На выходе контекстуализированная транскрипция

Точные внутренние границы между энкодером, декодером, языковой моделью и этапами обучения с подкреплением полностью не раскрыты.

SFT и многоэтапное обучение с подкреплением

Tencent описывает схему обучения с учителем (SFT), охватывающую:

• Общую транскрипцию.
• Задачи с произвольным контекстом.
• Профессиональную терминологию.
• Разные акустические среды.
• Разнообразные группы говорящих.
• Десять крупных диалектных зон.
• Более двадцати较小的 диалектных областей.

Компания также сообщает об использовании многоэтапного обучения с подкреплением для:

• Точности общей транскрипции.
• Контекстного поведения.
• Сложных длиннохвостых случаев.
• Снижения ошибок замены и удаления.

В настоящее время нет публичных технических статей с полным описанием дизайна вознаграждений, распределения данных, вычислительных мощностей для обучения или результатов абляционных экспериментов.

Поэтому заявления об архитектуре следует рассматривать как техническое описание на уровне продукта, а не как воспроизводимую исследовательскую спецификацию.

Языки и диалекты, поддерживаемые текущим движком Tencent Cloud

Документация Tencent Cloud описывает текущий движок Hy-ASR-3.0-preview как поддерживающий:

• Путунхуа.
• Английский.
• 20 китайских диалектов или региональных вариантов.

Список диалектов из документации выглядит так:

№	Диалект или региональный вариант
1	Кантонский
2	Дунбэйский
3	Хэнаньский
4	Шэньсийский
5	Чэндуский
6	Чунцинский
7	Уханьский
8	Гуйянский
9	Циндаоский
10	Цзинаньский
11	Чаншаский
12	Хэфэйский
13	Хэбэйский
14	Куньминский
15	Ланьчжоуский
16	Иньчуаньский
17	Наньчанский
18	Пекинский
19	Сычуаньский
20	Тяньцзиньский

Ярлыки диалектов в коммерческой документации по ASR — это широкие продуктовые категории.

Каждая категория реальной речи различается в зависимости от города, возраста, социального окружения, переключения кодов, лексики и конкретного говорящего.

Заявление о поддержке того или иного диалекта не следует понимать как одинаково высокую точность для каждого носителя языка в данном регионе.

Текущая доступность предварительной версии

Tencent Cloud 4 августа 2026 года добавила движок предварительной версии Hy ASR 3.0 в продукт реального времени на базе WebSocket.

Данный публичный сервис в настоящее время описывается как версия внутреннего тестирования или предварительная версия.

Позиция	Текущий задокументированный статус
Тип продукта	Распознавание речи в реальном времени
Способ подключения	Tencent Cloud WebSocket API
Название движка	Hy-ASR-3.0-preview
Длительность аудио	Не более 60 секунд на одно обращение
Формат аудио	16 кГц, моно, PCM
Включённый параллелизм	20 параллельных соединений
Путунхуа	Поддерживается
Английский язык	Поддерживается
20 диалектов	Поддерживается
Разделение говорящих	Не поддерживается в предварительной версии
Поддержка параметров VAD	Указано как неподдерживаемое в предварительной версии
Замена слов	Не поддерживается в предварительной версии

Параметр порога шума | Не поддерживается в предварительной версии |
| Внешний контекстный ввод | Скоро появится |
| Улучшение ключевых слов | Скоро появится |

Общая справочная документация WebSocket API содержит параметры, используемые другими движками, включая VAD и идентификаторы ключевых слов.

Hy ASR 3.0 руководствуется специализированным описанием предварительной версии движка.

Наличие параметра в общей схеме API не гарантирует, что предварительная версия движка в настоящее время реализует данный параметр.

Базовый процесс интеграции с Tencent Cloud

Официальная настройка состоит из трёх основных этапов.

Шаг 1. Активация сервиса распознавания речи Tencent Cloud

Откройте сервис распознавания речи Tencent Cloud и завершите процесс активации аккаунта.

Официальная документация по быстрому старту доступна по адресу:

https://cloud.tencent.com/document/product/1093/54362

Перед включением постоплатного тарифа ознакомьтесь с условиями оплаты.

Tencent Cloud отмечает, что для новых аккаунтов постоплатный тариф по умолчанию отключён и требует ручного включения.

Шаг 2. Создание учётных данных API

Создайте или получите:

• AppID
• SecretID
• SecretKey

Эти учётные данные используются для подписи запросов на подключение к WebSocket.

Храните их в менеджере секретов или в защищённых переменных окружения.

Не размещайте долгосрочные действительные учётные данные в:

• коде JavaScript на фронтенде;
• исходном коде мобильного приложения;
• публичных репозиториях кода;
• общих документах;
• видимых клиенту URL-адресах.

Для браузерных или мобильных продуктов создавайте подписанную информацию для подключения на доверенном бэкенде.

Шаг 3. Подключение к конечной точке WebSocket в реальном времени

Формат конечной точки, задокументированный в Tencent Cloud:

wss://asr.cloud.tencent.com/asr/v2/<appid>?{request_parameters}

Замените <appid> на ваш AppID Tencent Cloud.

Запрос содержит параметры подписи, например:

• secretid
• timestamp
• expired
• nonce
• voice_id
• engine_model_type

Для предварительной версии Hy ASR 3.0 укажите:

engine_model_type=Hy-ASR-3.0-preview

Каждое WebSocket-соединение требует уникального voice_id.

Если соединение завершено или прервано, старый voice_id становится недействительным, и необходимо сгенерировать новый.

Шаг 4. Подготовка совместимого аудио

Текущая предварительная версия требует:

Частота дискретизации: 16 кГц
Каналы: моно
Формат: PCM
Максимальная длительность входа: 60 секунд

Тестируйте полный аудиотракт, а не только исходный файл.

Микрофонные SDK, браузерные медиа-API, телефонные системы и платформы конференц-связи могут выполнять ресемплинг или сжатие аудио до его поступления на сервер.

Шаг 5. Потоковая передача аудио и чтение промежуточных результатов

Сервис поддерживает транскрипцию в реальном времени, возвращая текст по мере передачи аудио.

Приложение должно обрабатывать:

• частичные результаты;
• финальные результаты;
• ошибки соединения;
• сбои аутентификации;
• тайм-ауты;
• переподключения;
• ограничения по длительности аудио;
• повторный или исправленный текст.

Не предполагайте, что каждый частичный результат распознавания является финальным.

Интерфейс ASR в реальном времени может исправлять ранее распознанные слова по мере получения дополнительного контекста.

Пользовательский интерфейс должен различать промежуточный и подтверждённый текст.

Шаг 6. Тестирование перед запуском

Сформируйте репрезентативный оценочный набор, включающий:

• реальную аудиозапись клиентов;
• распространённые акценты;
• диалекты;
• смешанную китайско-английскую речь;
• имена людей и продуктовую терминологию;

шум;

• тихую речь;
• плохое качество микрофона;
• короткие команды;
• полные предложения.

Оценивайте как качество распознавания, так и поведение системы.

Ценообразование предварительной версии движка

Tencent Cloud относит Hy ASR 3.0 предварительной версии к категории движок распознавания речи в реальном времени Large Model 2.0.

Текущая страница тарифов указывает:

Тарифный вариант	Текущая цена
Пакет предоплаты 60 часов	Итого 60 юаней, т.е. 1,00 юань/час
Пакет предоплаты 1 000 часов	Итого 950 юаней, т.е. 0,95 юаня/час
Пакет предоплаты 10 000 часов	Итого 9 000 юаней, т.е. 0,90 юаня/час
Пакет предоплаты 100 000 часов	Итого 88 000 юаней, т.е. 0,88 юаня/час
Пакет предоплаты 300 000 часов	Итого 255 000 юаней, т.е. 0,85 юаня/час
Постоплата	1,00 юань/час, ежедневное списание

Текущая таблица тарифов Tencent показывает, что распознавание Large Model 2.0 не предоставляет бесплатного объёма аудио.

Включённые 20 параллельных соединений — это квота параллелизма, а не бесплатное время распознавания.

Цены могут меняться. Перед подготовкой коммерческих предложений или оценкой долгосрочного бюджета проверяйте актуальную страницу тарифов.

Пример расчёта затрат

По текущей постоплатной ставке 1,00 юань/час:

100 часов успешного распознавания
× 1,00 юань/час
= 100 юаней

Производственный бюджет также должен включать:

• предобработку аудио;
• сетевую передачу;
• бэкенд-серверы;
• хранение;
• мониторинг;
• ручную коррекцию;
• повторные запросы;
• последующую обработку языковой моделью.

Стоимость ASR — лишь часть полноценной системы транскрипции.

Интеграция с Yuanbao и продуктами

Tencent сообщает, что Yuanbao участвовал в разработке модели и стал первым продуктом Tencent, интегрировавшим её.

Пользователи могут опробовать функцию через голосовой ввод в Yuanbao; модель предназначена для улучшения:

• распознавания диалектов;
• контекстного исправления ошибок;
• распознавания в сложных акустических условиях.

Tencent заявляет, что другие продукты, такие как WorkBuddy, постепенно подключаются.

Интеграция в потребительских продуктах может отличаться от публичного API предварительной версии Tencent Cloud.

Например, Yuanbao может использовать внутренние сервисы, продуктовый контекст или конфигурации развёртывания, недоступные внешним разработчикам.

Не следует предполагать, что опыт в Yuanbao полностью соответствует параметрам публичного API.

Подходящие сценарии использования

Предварительная версия Hy ASR 3.0 ориентирована на короткие низкозадержные голосовые взаимодействия.

Интеллектуальная поддержка клиентов

Потенциальные сценарии включают:

• транскрипцию разговоров операторов в реальном времени;
• распознавание команд голосового бота;
• формирование итогов звонков;
• извлечение намерений;
• вспомогательную проверку качества.

Предварительная версия в настоящее время не поддерживает разделение говорящих, что может ограничивать транскрипцию многосторонних звонков без дополнительных компонентов для разделения каналов или говорящих.

Субтитры в реальном времени

Движок может поддерживать короткие субтитры в реальном времени для:

• прямых видеотрансляций;
• аудиокомнат;
• внутренних совещаний;
• голосовых сообщений;
• интерфейсов доступности.

Приложения должны тестировать стабильность частичных результатов и поведение пунктуации.

Голосовой поиск

Контекстно-зависимое распознавание может улучшить поиск, включающий:

• длинные естественные вопросы;
• названия продуктов;
• смешанную китайско-английскую речь;
• региональное произношение.

Пока в предварительной версии не открыта возможность загрузки горячих слов, редкие

термины и специфическая лексика могут требовать постобработки или отдельного слоя исправления ошибок.

Голосовые команды и ассистенты

Движок может преобразовывать устные команды в текст для:

• ИИ-ассистентов;
• корпоративных агентов;

Управление интеллектуальными устройствами.

• Команды рабочих процессов.

Командная система ни в коем случае не должна выполнять операции с высоким уровнем воздействия только потому, что результат транскрипции выглядит высокоуверенным.

Для разрушительных или финансовых операций необходимо подтвердить распознанное намерение и запросить явное одобрение пользователя.

Понимание содержимого

Короткие аудиофрагменты могут быть транскрибированы перед передачей в следующие процессы:

• Генерация сводок.
• Классификация.
• Поисковый индекс.
• Модерация содержимого.
• Извлечение знаний.

Качество последующей обработки ИИ на каждом этапе зависит от результата транскрипции.

Если политика позволяет, храните исходный аудиофайл или данные об уверенности, чтобы неоднозначные результаты можно было проверить.

Текущие ограничения

Статус предварительной версии

Продукт по-прежнему помечен как предварительная версия или внутренняя бета-версия.

Интерфейс, цены, ограничения и поддерживаемые функции могут изменяться.

Ограничение в шестьдесят секунд

Текущий публичный API не может напрямую заменить пакетную транскрипцию длинных записей.

Длинные аудиофайлы требуют сегментации и, возможно, наличия контекстного слоя на уровне приложения.

Только PCM-вход

Предварительная версия в настоящее время требует PCM с частотой 16 кГц в моно-режиме.

Многие производственные среды используют MP3, AAC, Opus или телефонные кодеки, что требует конвертации.

Отсутствие разделения говорящих

В документации, специфичной для текущего движка, указано, что разделение говорящих не поддерживается.

Транскрипция нескольких говорящих может потребовать отдельных аудиоканалов или другого сервиса разделения говорящих.

Функции контекста и хот-вордов еще не опубликованы

Согласно официальной документации, заявленные возможности еще не доступны в публичном предварительном API.

Сравнительные данные, указанные компанией

Диаграммы сравнения взяты у Tencent.

Независимая оценка при сопоставимых условиях повысит достоверность сравнения.

Отсутствие полной технической статьи

Tencent предоставила высокоуровневое описание архитектуры и процесса обучения Hy ASR 3.0 Preview, но полные воспроизводимые детали не опубликованы.

Контекст может привести к чрезмерной коррекции

Языковой декодер может отдавать предпочтение распространенным предложениям, игнорируя редкие, но фактически правильно произнесенные фразы.

Тестирование должно включать редкие и неожиданные фразы.

Практический контрольный список оценки

1. Создание отраслевого тестового набора

Включите как минимум несколько сотен репрезентативных высказываний, а не небольшой набор чистых демонстрационных образцов.

2. Сохранение исходного эталонного текста

Создайте проверенные вручную эталонные транскрипции с четкой стратегией нормализации.

Определите, как обрабатывать:

• Пунктуацию.
• Числа.
• Строчные и прописные буквы английского языка.
• Слова-паразиты.
• Повторяющееся содержимое.
• Традиционный и упрощенный китайский.

3. Измерение нескольких показателей

Используйте:

• Коэффициент ошибок в словах или символах.
• Точность распознавания имен.
• Точность распознавания чисел.
• Коэффициент семантических ошибок.
• Задержку.
• Коэффициент пересмотра частичных результатов.
• Коэффициент отказов.

4. Тестирование диалектов по отдельности

Не объединяйте всех носителей диалектов в одно среднее значение.

Представляйте результаты отдельно по регионам и условиям записи.

5. Тестирование контекстной неоднозначности

Создайте парные образцы с акустически схожим содержимым, где контекст предложения меняет правильный результат транскрипции.

6. Тестирование редких терминов

Оцените названия продуктов и

Сначала работайте с терминами, затем повторите тестирование после открытия поддержки хот-вордов в Tencent.

7. Тестирование сценариев шума и шепота

Используйте реальные записи окружающей среды, а не только цифровое наложение шума.

8. Тестирование границ сегментации

Убедитесь, что реализация 60-секундной сегментации не обрывает важные высказывания и не создает дублирующегося текста.

9. Измерение сквозной задержки

Включите следующие этапы:

Захват
+ Загрузка
+ Распознавание
+ Финализация результата
+ Последующая обработка

10. Проверка требований конфиденциальности и соответствия

Голосовые записи могут содержать личную или чувствительную информацию.

Перед развертыванием необходимо четко определить политику хранения данных, контроля доступа, шифрования, согласия пользователей и удаления.

Сравнение Hy ASR 3.0 Preview с традиционным конвейером ASR

Область	Традиционный конвейер	Направление Hy ASR 3.0
Основное внимание	Точность от акустики к тексту	Акустическое распознавание плюс контекстное языковое моделирование
Легко спутываемые омофоны	Обычно опирается на локальные вероятности	Использует более широкий контекст предложения
Диалекты	Отдельные модели или ограниченное покрытие	Единый документированный гибридный движок с поддержкой 20 диалектов
Специализированная лексика	Внешние хот-ворды или пользовательские модели	Заявлена поддержка хот-вордов; ожидается в предварительной версии
Сложная речь	Акустическая модель плюс постобработка	Совместное обучение речи и языку плюс пост-обучение
Выходные данные	Транскрибированный текст	Транскрибированный текст с более связным контекстом
Основной риск	Акустические замены и пропуски	Акустические ошибки плюс возможная семантическая чрезмерная коррекция

Новый подход не устраняет необходимость в традиционной ASR-инженерии.

Он добавляет более мощный языковой слой поверх той же сквозной системы.

Часто задаваемые вопросы

Что такое Hy ASR 3.0 Preview?

Hy ASR 3.0 Preview — это модель распознавания речи в реальном времени, выпущенная Tencent Hunyuan на основе языковой базы Hy3 и собственного речевого кодировщика. Ее цель — объединить акустическое распознавание с контекстным пониманием языка.

Какие языки и диалекты поддерживает Hy ASR 3.0?

Документация Tencent Cloud указывает на поддержку стандартного путунхуа, английского и 20 китайских диалектов или региональных вариантов, включая кантонский, дунбэйский, хэнаньский, шэньсийский, чэндуский, чунцинский, уханьский и другие. Точность может варьироваться в зависимости от говорящего и региона.

Каков опубликованный WER (коэффициент ошибок в словах)?

Tencent опубликовал агрегированные результаты WER для публичных бенчмарков: путунхуа — 3,34%, английский — 2,62%, кантонский — 3,12%. Это результаты, сообщенные компанией на основе нескольких наборов данных, а не независимо воспроизведенные результаты единого теста.

Может ли Hy ASR 3.0 транскрибировать длинные записи?

Текущая публичная предварительная версия принимает до 60 секунд аудио за один вход. Более длинные записи требуют сегментации, а приложение должно сохранять действующий контекст между сегментами.

Поддерживает ли текущий API хот-ворды и пользовательский контекст?

Согласно документации предварительной версии Tencent Cloud от 4 августа 2026 года, в настоящее время нет. Эти возможности описаны в релизных материалах, но официальные страницы API показывают, что контекстный ввод и расширение хот-вордов будут открыты позже.

Какие аудиоформаты поддерживаются?

Текущая документация Hy ASR 3.0 Preview указывает поддержку ввода PCM с частотой 16 кГц в моно-режиме. Приложения, использующие MP3, AAC, Opus или другие форматы, должны конвертировать аудио перед вызовом.

Отправляйте его в этот движок.

Как разработчики вызывают Hy ASR 3.0?

Разработчики используют WebSocket API Tencent Cloud для распознавания речи в реальном времени и устанавливают engine_model_type в значение Hy-ASR-3.0-preview. Соединение должно быть подписано учетными данными Tencent Cloud.

Является ли Hy ASR 3.0 бесплатным?

Текущая страница выставления счетов Tencent Cloud не указывает бесплатную квоту аудио для распознавания большой модели 2.0. На странице указано, что предоплаченные пакеты начинаются с 60 часов по цене 1 юань за час, постоплата — 1 юань за час, при этом включено 20 параллельных соединений.

Связанные инструменты

• Tencent Cloud Hunyuan ASR Preview: официальная документация по функциям, ограничениям, диалектам и быстрому подключению Hy ASR 3.0 Preview.
• Tencent Cloud Real-Time ASR WebSocket API: официальная документация по конечным точкам, параметрам аутентификации, выбору движка и ответам.
• Tencent Cloud API Explorer: официальный интерфейс Tencent для проверки API и генерации примеров запросов SDK.
• Tencent Cloud Python SDK: официальный Python SDK для API Tencent Cloud и управления учетными данными.
• FFmpeg: набор инструментов с открытым исходным кодом для аудио и видео, который можно использовать для преобразования входного аудио в совместимую частоту дискретизации и конфигурацию каналов.
• Websocat: клиент WebSocket для командной строки, подходящий для тестирования потоковых конечных точек во время разработки.

Связанные ссылки

• [Документация Hunyuan ASR Preview](https://cloud.tencent.

com/document/product/1093/135476): текущий официальный статус, поддерживаемые диалекты, ограничения и базовые настройки.

• API потокового распознавания речи: формат конечной точки WebSocket и справочник параметров запроса.
• Краткое руководство по серверному API за одну минуту: официальное руководство Tencent Cloud по активации сервиса и получению учётных данных.
• Тарификация Tencent Cloud ASR: актуальная информация о предоплате, постоплате, параллелизме и бесплатных квотах.
• Обновления продукта Tencent Cloud ASR: официальный журнал релизов, показывающий добавление предварительной версии движка Hy ASR 3.0 4 августа 2026 года.
• API горячих слов Tencent Cloud: официальный API списка горячих слов для общего ASR; поддержка предварительной версии Hy ASR 3.0 по-прежнему отмечена как «скоро».
• Tencent Hunyuan: официальный портал моделей и продуктов Hunyuan.

Резюме

Предварительная версия Hy ASR 3.0 от Tencent Hunyuan сочетает речевой кодировщик с языковыми возможностями Hy3 для улучшения транскрипции в условиях мандарина, английского, диалектов, смешанных языков, шумной среды и контекстно-зависимых сценариев.

Tencent сообщает о WER 3,34% для мандарина, 2,62% для английского и 3,12% для кантонского диалекта на агрегированных публичных наборах данных, а также о ведущих результатах в собственных внутренних тестах. Эти цифры обнадёживают, но требуют проверки на аудио материалах каждой организации.

Текущая предварительная версия Tencent Cloud уже по функциональности, чем полная концепция релиза.

Она поддерживает потоковое распознавание через WebSocket, моно PCM с частотой 16 кГц и аудиовход длительностью до 60 секунд. Внешняя контекстная инъекция, улучшение горячими словами, разделение говорящих и ряд других функций на данном движке пока недоступны.

Ключевое изменение заключается не в том, что распознавание речи перестало слушать звук, а в том, что языковая модель теперь помогает определить, что звук, скорее всего, означает.