Tencent Hunyuan veröffentlichte Hy ASR 3.0 preview am 4. August. QbitAI berichtet, dass das Modell auf Hy3 basiert und Spracherkennung mit semantischem Verständnis verbindet. Die Dokumentation von Tencent Cloud bestätigt den Aufruf über die WebSocket-API für Echtzeit-Spracherkennung mit engine_model_type gleich Hy-ASR-3.0-preview.
Die ersten Zahlen sind WER-Werte
QbitAI und ITHome nennen dieselben Benchmarkwerte: Mandarin-WER 3,34%, Englisch-WER 2,62% und Kantonesisch-WER 3,12%. Tencent Cloud nennt außerdem 20 kostenlose gleichzeitige Kanäle und Unterstützung für Mandarin, Englisch und 20 chinesische Dialekte.
Diese Werte messen nicht dasselbe. WER beschreibt Modellleistung. Kanäle und Dialekte beschreiben Produktgrenzen in der Cloud. Für Entwickler zählen Genauigkeit, API-Zugang, Kontingent und regionale Sprachabdeckung gemeinsam.
Der Punkt ist Kontext
Tencents Formulierung beschreibt den Wechsel von "逐字转写、单点优化" zu "理解语境、兼容场景、一键直出". Praktisch heißt das: Das Modell soll Homophone, Fachbegriffe und Projektnamen aus dem sprachlichen Umfeld ableiten.
QbitAI berichtet, dass das SFT-Rezept Kontext, Fachbegriffe, akustische Umgebungen und unterschiedliche Sprecher abdeckt. Dialektdaten umfassen 10 große Dialektregionen und mehr als 20 Unterregionen. Tencent nennt zudem mehrstufiges Reinforcement Learning für allgemeine Transkription, Any-context-Fähigkeit und akustische Long-Tail-Szenarien.
Die Preview bleibt begrenzt
Laut Tencent Cloud unterstützt die aktuelle Preview nur Echtzeit-ASR, Audio unter einer Minute und 16k-Mono-PCM. Sprechertrennung, VAD, Vokabularersetzung und Rauschschwellen sind noch nicht verfügbar. Kontextübergabe und Hot Words sollen erst folgen.
Der erste Einsatz liegt daher bei kurzer Spracheingabe, Live-Untertiteln, Kundendienst-Snippets, Sprachsuche und Assistentenbefehlen. Lange Meetings und Interviews mit mehreren Sprechern brauchen mehr Produktreife.
Quellen: QbitAI, ITHome, Tencent Cloud documentation, CocoLoop, CLS; verified release timing, WER figures, 20 free concurrent channels, 20 dialects, preview input limits, API parameter and Yuanbao rollout.