豆包语音识别模型2.0正式发布

as22

12月5日消息，火山引擎宣布，正式发布豆包语音识别模型 2.0（Doubao-Seed-ASR-2.0）。模型推理能力提升，通过深度理解上下文完成精准识别，上下文整体关键词召回率提升20%；支持多模态视觉识别，不仅“听懂字”还能“看懂图”，通过单图和多图等视觉信息输入让文字识别更精准；支持日语、韩语、德语、法语等13种海外语种的精准识别。

豆包语音识别模型依托Seed混合专家大语言模型架构构建，在延续1.0版本中20亿参数高性能音频编码器优势的基础上，重点针对专有名词、人名、地名、品牌名称及易混淆多音字等复杂场景进行优化升级。而更强的上下文推理能力，让模型实现多模态信息理解、混合语言精准识别能力。

据介绍，豆包语音识别模型2.0基于PPO方案进行强化学习，不需要依赖目标词汇的历史出现记录，通过深度理解更加泛化的上下文即可完成精准识别，让语音识别更适配动态变化的真实交互场景，输出结果更准确。



同时，依托强大推理能力，豆包语音识别模型2.0将上下文理解范围从纯文本拓展至视觉层面，让语音识别突破“只识文字”的局限，实现“能识场景”的升级。它通过辅助理解单图和多图内容，帮助用户在搜拍或图片创作场景，精准识别易混淆字词，大幅提升识别准确性。



另外，豆包语音识别模型2.0采用Function Call策略，在高度保持中、英和方言识别准确度的前提下，支持日语、韩语、德语、法语、印尼语、西班牙语、葡萄牙语等13类语种的精准识别。



目前，豆包语音识别模型2.0已正式上线火山方舟体验中心并对外提供API服务。