Tencent Hunyuanは8月4日、Hy ASR 3.0 previewを発表した。量子位は、このモデルがHy3を基盤にし、音声認識と意味理解を組み合わせると報じた。Tencent Cloud文書でも、リアルタイム音声認識WebSocket APIでengine_model_typeをHy-ASR-3.0-previewに設定する方式が確認できる。
まず見える数字はWER
量子位とIT之家は、公開ベンチマークで中国語普通話WER 3.34%、英語WER 2.62%、広東語WER 3.12%という同じ数字を示している。Tencent Cloud文書は、20路の無料同時接続と、普通話、英語、20種類の中国語方言対応も示す。
これらは同じ指標ではない。WERはモデル評価、同時接続と方言対応はクラウド製品の利用条件だ。開発者にとっては、精度だけでなくAPI、上限、地域言語の範囲も導入コストを左右する。
焦点は文脈理解
Tencentの説明では、Hy ASRは「逐字転写、単点最適化」から「文脈理解、場面対応、一括出力」へ進む。つまり同音異義語、専門用語、プロジェクト名を前後の発話から選ぶ必要がある。
量子位によると、SFT recipeはcontext、専門名詞、音響環境、多様な話者をカバーし、方言データは10大方言地域と20以上の下位地域に広がる。Tencentは一般転写、Any-context能力、長尾音響環境向けの多段階強化学習にも触れている。
プレビューには制限がある
Tencent Cloud文書は、現行プレビューがリアルタイムASRのみ、1分以内の音声、16kモノラルPCM入力に限られると明記する。話者分離、VAD、語彙置換、ノイズしきい値などは未対応で、context入力とホットワードは今後の体験開放扱いだ。
最初の用途は短い音声入力、リアルタイム字幕、客服の短い発話、音声検索、アシスタント命令に向く。長時間会議や複数話者の録音には、まだ製品面の成熟が必要だ。
情報源：量子位、IT之家、Tencent Cloud文書、CocoLoop、CLS。Hy ASR 3.0 previewの公開時点、WER、20路無料同時接続、20方言、入力制限、APIパラメータ、Yuanbaoでの提供を確認。