
12月5日,火山引擎正式发布豆包语音识别模型2.0版本。该模型基于自家Seed混合专家大语言模型架构精心构建,在推理能力方面实现显著提升,能够通过深度理解上下文语义完成更为精准的语音识别,整体关键词召回率较此前版本提升达20%。
新版模型创新引入多模态视觉识别能力,不仅能高效处理语音信息,还可结合图像内容进行综合语义判断,支持单张及多张图像输入模式,使得文字识别结果更加准确。系统目前已覆盖日语、韩语、德语、法语等13种主流海外语言,具备出色的跨语种识别性能。
针对实际应用中的复杂场景,模型在专有名词、人名、地名、品牌名称以及易混淆多音字识别方面进行了专项优化。以历史人物苏轼为例,当用户在对话中提及“筠(yún)州”这一古地名时,即使上下文中未直接出现该地名,模型也能结合当前语境和相关背景知识,准确区分发音相近的“云州”“郓州”等词汇,有效避免误识别现象。
目前,豆包语音识别模型2.0已在火山方舟体验中心正式上线,并同步开放API接口,支持外部开发者便捷接入使用。
