12月5日消息，火山引擎今日发布了豆包语音识别模型2.0（Doubao-Seed-ASR-2.0），该模型基于Seed混合专家大语言模型架构构建。

据悉，2.0版本模型在推理能力方面显著提升，通过深度理解上下文情境实现精准识别，上下文整体关键词召回率提升了20%。

同时该模型支持多模态视觉识别，不仅能够"听懂文字"，还能"看懂图片"，借助单图和多图等视觉信息输入，使文字识别更精准。

此外，2.0版本还支持日语、韩语、德语、法语等13种外语的精准识别。

新版本重点针对专有名词、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优化。

以历史人物生平讨论场景为例，当用户提到苏轼谦称"筠（yún）州"时，若模型缺乏推理能力容易将其误识为同音的"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，即使上下文中从未出现过"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。