近日，騰訊云語音識別(Automatic Speech Recognition，ASR)方案基于大模型能力全新升級，依托業界領先的自研語音識別技術和海量的語音行業大數據優勢，可為不同行業、不同需求的客戶提供高質量的語音識別服務，精準、高效助力千行百業持續創造應用價值、繁榮產業生態。
騰訊云ASR是將語音轉化成文字的PaaS產品，依托微信智聆實驗室自研技術，有效提高復雜場景的識別準確性，極大地改善復雜音頻和低信噪比音頻識別的效果。通過業界首創的高性能引擎，能夠實現23種方言的語音識別，讓用戶無需事先定義方言，即可讓模型進行自動化適應。突破現有ASR引擎的場景局限，騰訊云ASR在線下銷售、下沉市場等不同場景都能夠靈活、廣泛地進行使用。
目前，騰訊云ASR已經在微信、王者榮耀等騰訊內部產品以及外部不同行業持續落地，覆蓋錄音質檢、會議實時轉寫、語音輸入法等多個場景，產品單日調用量達到百億次，單月服務的內外部企業客戶數達到數千個。
自研多模態融合、蒸餾算法，帶來更準確的語音識別性能
語音識別(ASR)是AI最早的應用場景之一，業界不少方案目前僅能針對簡單場景進行精準識別，一旦音頻環境復雜，或者多人交錯說話、聲音重疊，識別準確率就會大打折扣。為了助力解決上述語音識別應用難題，騰訊云ASR自研多模態融合算法、蒸餾和半監督算法等，強化上下文理解能力，大幅減少語音數據的標記工作，更好地提升復雜識別環境的準確率。
通過自研多模態融合算法，騰訊云在模型預訓練階段加入文本大語言模型(LLM)，增加上下文預測的準確率，對部分通過純音頻識別無法正確識別的場景有了更好的提升作用，在各行業數據集中(尤其是低信噪比數據集)取得更佳效果。同時采用無監督學習，使得模型中加入大量未經標注的低資源數據，在垂類行業音頻和方言音頻上取得了重大突破。
同時，騰訊云還自研蒸餾和半監督算法，利用有監督數據，可以讓ASR的小參數模型同時學習真值數據和知識蒸餾的數據，利用蒸餾算法，讓小模型學習更多數據的相似性，從而提升各自的性能水平。
業界首創高性能引擎，支持多語言和多方言的混合識別
隨著智能汽車普及、短視頻配音、企業出海等趨勢的興起，多語種、多方言的語音識別需求逐漸加大。如何應對不同口音、語言的準確識別，也成為騰訊云發力ASR大模型創新的焦點。
騰訊云通過采用自研的高新技術，打造多項業界首創的高性能引擎，進一步增強ASR混合識別能力。依托業界首創的支持多種語言和多方言的混合識別引擎，騰訊云成功構建了中文方言大模型能力。提升23個方言語種的平均識別準確率(平均提升指標在7%以上)，識別過程無需事先定義方言種類，實現對“普通話+方言”識別場景的自動化適應，為不同語種用戶提供更全面的服務，有效滿足了跨省市的語音識別需求。
混合識別引擎之外，騰訊云ASR還支持熱詞增強版、ASR情緒識別等多項業界首創功能，極大地改善復雜音頻和低信噪比音頻識別的效果，提升高達20%。通過高準確率、業界首創的語音識別功能創新，騰訊云ASR解決市場上ASR引擎需求問題的同時，成功構建適配多個領域的語音識別大模型，進一步擴展了其在不同場景的應用范圍。
靈活、廣泛適配多種應用場景，成本可控、性價比更高
將智能客服通話錄音轉化成文本，可能出現違規用語、危險用語;多數廠商需要依賴有監督數據進行模型的優化，因此在部分對識別要求較高的場景上，客戶無法尋求到更合適的解決方案。面對語音識別要求越來越高的現狀，如何讓客戶獲取到識別率更好、覆蓋面更廣、性價比更高的語音識別服務，成為騰訊云ASR努力的目標。
騰訊云語音識別方案不僅能夠更好地解決現有ASR引擎在高并發、高可用性方面的局限，在智能客服、語音輸入法、下沉市場等多種應用場景，展現出了強大的靈活性和廣泛性，使得各行業、各種特征迥異的音頻都能獲得相對高性能和更準確地轉寫服務。
例如在智能客服場景，百應科技通過騰訊云ASR強化電話外呼、智能外呼場景的錄音文件識別、實時語音識別，大幅提升呼叫中心工作質量管控能力，完成人力難以完成的超大規模呼叫中心的電話錄音質檢問題;在語音輸入法場景，KK鍵盤依托騰訊云ASR進一步提升產品的趣味性，滿足了客戶語彈聊天、游戲鍵盤、趣聊等核心功能的設計，有效提升了產品的留存和轉化，以及品牌商業價值。
當前，騰訊云ASR已經落地在客服質檢、外呼中心、智能家居、游戲直播、會議轉寫、語音輸入法、法庭、房地產、教育等多個行業，積累了豐富的行業詞庫和標桿案例。未來，騰訊云將繼續推動語音識別能力創新升級，幫助更多應用場景將大模型的技術力價值轉化生產力價值，助力產業發展。
