豆包语音识别模型2.0发布：能听懂字看懂图 支持13种外语

12月5日消息，今日，火山引擎发布豆包语音识别模型2.0（Doubao-Seed-ASR-2.0），依托Seed混合专家大语言模型架构构建。

据介绍，2.0版本模型推理能力提升，可以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%。

同时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。

此外，2.0版本还支持日语、韩语、德语、法语等 13 种海外语种的精准识别。

并且重点针对专有名词、人名、地名、品牌名称及易混淆多音字等复杂场景进行了升级。

以历史人物生平讨论场景为例，当用户提及苏辙贬谪地“筠（yún）州”时，如果模型缺乏推理能力会易将其误识别为同音的“云州”“郓州”等。

而豆包语音识别模型2.0可依托“当前讨论苏轼、苏辙”这一背景，即便上下文从没出现过“筠州”，也能通过逻辑推理锁定用户所指的特定地名，最终实现对多音字地名的精准识别。

目前，豆包语音识别模型2.0已上线火山方舟体验中心并对外提供API服务。

本文转载于快科技，文中观点仅代表作者个人看法，本站只做信息存储