据智通财经APP获悉,12月5日,火山引擎正式发布了豆包语音识别模型2.0(Doubao-Seed-ASR-2.0)。该模型的推理能力显著提升,能够通过深度理解上下文完成精准识别,整体关键词召回率提升了20%;它支持多模态视觉识别,不仅能“听懂字”,还能“看懂图”,通过单图和多图等视觉信息输入,让文字识别更加精确;同时,模型还支持日语、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200亿参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了优化升级。而更强大的上下文推理能力,则让模型实现了多模态信息理解与混合语言精准识别能力的融合。
