Aperçu de Tencent Hunyuan Hy ASR 3.0 : reconnaissance vocale contextuelle pour le mandarin, l'anglais et 20 dialectes

Introduction

Tencent Hunyuan a publié l'aperçu de Hy ASR 3.0, un nouveau modèle de reconnaissance vocale en temps réel basé sur les capacités de compréhension linguistique de Hy3.

Ce modèle vise à faire évoluer la reconnaissance automatique de la parole au-delà du décodage acoustique isolé.

Les systèmes ASR traditionnels répondent principalement à une question :

Quelle séquence de mots correspond le mieux à cet audio ?

Hy ASR 3.0 ajoute une seconde question :

Dans ce contexte, quelle transcription est la plus pertinente ?

Cette distinction est cruciale lorsque l'audio contient :

• Des homophones.
• Des accents régionaux.
• Des dialectes.
• Un mélange chinois-anglais.
• Des noms de produits et des noms de personnes.
• Du bruit de fond.
• Des chuchotements ou des paroles à faible volume.
• Des phrases longues ou des expressions fortement dépendantes du contexte sémantique.

Tencent indique que ce modèle combine un système acoustique haute précision avec les capacités de modélisation contextuelle et de raisonnement sémantique de Hy3. L'objectif n'est pas de réécrire de manière créative ce que l'utilisateur a dit, mais d'utiliser le contexte linguistique pour choisir la transcription la plus plausible lorsque l'audio lui-même est ambigu.

Tencent rapporte un taux d'erreur de mots de 3,34 % pour le mandarin, de 2,62 % pour l'anglais et de 3,12 % pour le cantonais sur des ensembles d'évaluation publics agrégés.

L'aperçu de Hy ASR 3.0 est désormais disponible en tant que moteur WebSocket en temps réel sur Tencent Cloud, avec une documentation fournie, et a été intégré à l'assistant Tencent Yuanbao. WorkBuddy et d'autres produits Tencent sont en cours d'intégration progressive.

L'aperçu public est disponible, mais ne correspond pas encore à la forme finale du produit décrite dans les annonces de diffusion plus large. Ses limites actuelles d'API méritent l'attention des équipes prévoyant une intégration en production.

Résultats de référence publics publiés

Tencent a évalué l'aperçu de Hy ASR 3.0 sur plusieurs ensembles de données vocales publiques et l'a comparé à d'autres systèmes ASR.

Les taux d'erreur de mots agrégés rapportés par l'entreprise sont les suivants :

Plus le WER est bas, meilleur est le résultat.

La légende du graphique indique que l'évaluation agrégée a utilisé les ensembles de données suivants :

• WenetSpeechMeeting.
• WenetSpeechNet.
• FLEURS chinois.
• LibriSpeech clean.
• LibriSpeech other.
• FLEURS anglais.
• MLS anglais.
• FLEURS cantonais.
• Common Voice cantonais.

Les données agrégées facilitent une comparaison large, mais peuvent également masquer des différences importantes.

Les performances du modèle peuvent varier selon les scénarios :

• Parole lue vs conversation spontanée.
• Microphone proche vs microphone distant.
• Audio de studio propre vs bruit de rue.
• Commandes courtes vs discussions continues.
• Locuteurs natifs vs parole avec accent.
• Mandarin formel vs alternance codique.

Par conséquent, les équipes de production devraient tester avec leur propre audio.

Plutôt que de choisir un modèle ASR uniquement sur la base d'un chiffre WER unique.

Ce que mesure le taux d'erreur de mots

Le taux d'erreur de mots est généralement défini comme suit :

WER = (Substitutions + Suppressions + Insertions) / Nombre de mots de référence

Les trois types d'erreurs sont :

• Substitution : Le modèle a produit un mot incorrect.
• Suppression : Un mot prononcé est manquant dans la transcription.
• Insertion : La transcription contient un mot qui n'a pas été prononcé.

Un WER plus bas indique généralement une transcription plus précise.

Cependant, le WER ne couvre pas tous les cas de défaillance dans les scénarios réels.

Considérons deux erreurs d'un seul mot :

« Expédiez la commande demain »
→ « Expédiez la commande aujourd'hui »

Ainsi que :

« La couleur est bleu marine »
→ « La couleur est bleu marine » (variante orthographique)

Les deux peuvent produire des comptes d'erreurs similaires, mais la première peut modifier une action commerciale, tandis que la seconde peut n'avoir aucun impact sur l'activité.

Pour les domaines tels que le service client, la santé, la finance, la fabrication et les interfaces de commande, les équipes devraient évaluer à la fois l'impact sémantique et le WER.

Évaluations internes des scénarios Tencent

Tencent a également publié des résultats d'ensembles d'évaluation internes couvrant quatre catégories pratiques :

1. Reconnaissance vocale générale.
2. Reconnaissance des dialectes.
3. Compréhension contextuelle.
4. Conditions acoustiques complexes, telles que le bruit élevé et les chuchotements.

Les résultats rapportés sont les suivants :

Tencent indique que Hy ASR 3.0 Preview a obtenu le WER le plus bas parmi les systèmes comparés dans les quatre catégories internes.

Ces résultats sont utiles en tant que preuves de produit rapportées par l'entreprise, mais les ensembles de tests internes ne constituent pas des benchmarks publics neutres.

Avant l'adoption, les organisations devraient se demander :

• Quelles régions d'accents et de dialectes sont incluses dans les tests ?
• Quel est le niveau de bruit de l'audio ?
• Comment la ponctuation est-elle normalisée ?
• Les nombres et les termes anglais sont-ils standardisés avant la notation ?
• Les systèmes comparés ont-ils été configurés avec des mots-clés ou un contexte ?
• Combien d'échantillons de parole ont été utilisés ?
• Les tests incluent-ils les microphones et canaux réellement utilisés par l'organisation ?

Quatre améliorations orientées utilisateur

Tencent a regroupé les améliorations pratiques en quatre domaines.

1. Reconnaissance générale plus précise

Le modèle vise à améliorer la reconnaissance dans les scénarios suivants :

• Mandarin standard.
• Anglais.
• Cantonais.
• Dialectes régionaux.
• Mélange chinois-anglais.
• Différents locuteurs et accents.

Tencent indique également que le modèle réduit les erreurs cumulées dans les énoncés plus longs.

Cette affirmation décrit la capacité sous-jacente du modèle. Actuellement, l'aperçu Tencent Cloud limite toujours chaque entrée d'API publique unique à 60 secondes. Par conséquent, les applications traitant des réunions ou des enregistrements doivent actuellement segmenter l'audio et gérer elles-mêmes le contexte entre les segments.

Une mauvaise segmentation peut réintroduire les problèmes que ce modèle est censé résoudre.

Par exemple, découper l'audio à des limites arbitraires de 60 secondes peut interrompre :

• Le nom complet d'une personne.
• Un code produit.
• Une phrase à résolution sémantique tardive.
• Une expression mixte chinois-anglais.
• L'auto-correction du locuteur.

Par conséquent, la logique de segmentation doit autant que possible préserver les limites de phrases et les frontières d'activité vocale.

1. Meilleure reconnaissance du contexte et de l'intention

La parole contient de nombreux sons ambigus.

Le mandarin comporte un grand nombre d'homophones. L'anglais contient des mots et des noms à la prononciation similaire. Les accents régionaux peuvent rendre plusieurs transcriptions candidates acoustiquement plausibles.

Les décodeurs traditionnels peuvent choisir le mot avec la probabilité locale maximale.

Les systèmes dotés d'une sensibilité au contexte peuvent évaluer l'énoncé complet.

Par exemple, un utilisateur peut prononcer une phrase pouvant être transcrite en deux homophones différents. Des mots liés à la finance, aux jeux, à la médecine ou au voyage peuvent indiquer quelle signification est la plus probable.

Le flux de traitement attendu peut être simplifié comme suit :

Caractéristiques audio
→ Mots candidats
→ Contexte de la phrase
→ Vérification de la cohérence sémantique
→ Texte transcrit final

Cela ne signifie pas que le modèle comprend réellement la parole de la même manière qu'un humain.

Cela signifie plutôt que les composants linguistiques utilisent une fenêtre de contexte plus large et des probabilités sémantiques pour améliorer les décisions de transcription.

Les systèmes de reconnaissance vocale sensibles au contexte introduisent également un nouveau risque : la surgénéralisation sémantique.

Le modèle peut parfois remplacer une phrase peu courante mais correctement prononcée par une phrase courante qui semble plus fluide.

Par conséquent, l'évaluation en environnement de production devrait inclure :

• Des noms de personnes rares.
• Des formulations délibérément inhabituelles.
• Des termes de nouveaux produits.
• Des abréviations sectorielles.
• Des phrases contradictoires ou surprenantes.

L'objectif est d'utiliser le contexte sans inventer de contenu vocal qui n'a jamais été prononcé.

1. Adaptation plus facile aux vocabulaires spécialisés

Les supports de publication mettent en avant l'amélioration par mots clés, applicable à :

• Les noms de marques.
• Les noms de produits.
• Les noms de personnes.
• Les termes sectoriels.
• Les abréviations.
• Le vocabulaire interne.

Lorsqu'un modèle généraliste ne traite pas assez fréquemment un mot rare, les mots clés peuvent apporter une valeur importante.

Des exemples incluent :

Noms de médicaments propriétaires
Modèles de machines d'usine
Codes de comptes clients
Nouvelles marques lancées
Abréviations techniques

Le produit ASR général de Tencent Cloud dispose déjà d'une API de listes de mots clés et d'un paramètre hotword_id.

Cependant, la documentation actuelle de l'aperçu Hy ASR 3.0 indique clairement que l'amélioration par mots clés n'est pas encore disponible pour ce moteur en aperçu.

Par conséquent, il convient de distinguer les annonces publiques sur les produits des statuts d'API réellement accessibles :

Tant que Tencent Cloud n'aura pas confirmé la prise en charge dans la documentation officielle de l'API, les entreprises ne devraient pas élaborer de plans de lancement reposant sur l'injection de contexte externe ou sur des listes de mots clés.

1. Reconnaissance plus stable dans des conditions acoustiques difficiles

Tencent indique que le modèle a été optimisé pour :

• Un bruit de fond élevé.
• Les chuchotements.
• La parole à voix basse.
• Différents environnements d'enregistrement.
• De multiples accents.
• Des conditions acoustiques de fin de phrase longues.

La robustesse au bruit est importante car la parole réelle ressemble rarement à des enregistrements de laboratoire propres.

Les microphones du service client peuvent capter les bruits de clavier et les voix de collègues à proximité.

Les assistants mobiles peuvent entendre le bruit de la circulation, le vent, la musique ou d'autres personnes qui parlent.

Les applications de réunion peuvent recevoir un audio compressé provenant de microphones d'ordinateurs portables éloignés.

Le modèle peut améliorer la robustesse, mais ne peut pas restaurer des informations jamais capturées.

Les équipes devraient toujours utiliser :

• Des microphones adaptés.
• L'annulation d'écho.
• Le contrôle de gain.
• La détection d'activité vocale lorsque cela est pris en charge.
• Une compression audio raisonnable.
• La surveillance des canaux.
• Des procédures de nouvelle tentative ou de clarification.

La qualité de la reconnaissance vocale est une propriété du système, et pas seulement une propriété du modèle.

Architecture : Hy3 plus encodeur vocal

Tencent indique que le Hunyuan Hy ASR 3.0 Preview combine trois composants majeurs :

1. Un modèle de base linguistique MoE fondé sur Hy3.
2. Un encodeur vocal non supervisé développé en interne.
3. Un pré-entraînement conjoint et un post-entraînement en plusieurs étapes.

Hy3 comme base linguistique

Hy3 fournit le composant de compréhension du langage.

Son rôle inclut :

• Modéliser le contexte de la phrase.
• Résoudre les candidats ambigus.
• Comprendre les structures multilingues mixtes.
• Exploiter les relations sémantiques.
• Améliorer la cohérence de la sortie.

Tencent décrit cette architecture comme une conception de mélange d'experts (MoE) qui équilibre performance et efficacité.

La documentation ASR publique ne divulgue pas le nombre total de paramètres, le nombre de paramètres activés, les profils de latence ou l'architecture d'inférence complète du Hy ASR 3.0 Preview.

Encodeur vocal non supervisé

L'encodeur vocal convertit l'audio brut en représentations acoustiques que le modèle linguistique peut traiter.

Tencent indique que cet encodeur a été entraîné sur des dizaines de millions d'heures de parole non étiquetée.

L'entraînement audio non supervisé ou auto-supervisé est précieux car la transcription manuelle de données vocales à cette échelle serait d'un coût prohibitif.

L'encodeur peut apprendre des structures récurrentes à partir de l'audio brut, telles que :

• Les schémas de parole.
• Les différences entre locuteurs.
• Les variations d'accent.
• Les conditions de fond.
• Le timing et la prosodie.

La qualité de cette représentation affecte toutes les étapes ultérieures.

Si deux sons sont confondus au stade de l'encodeur, le modèle linguistique doit davantage s'appuyer sur le contexte pour retrouver les mots corrects.

Pré-entraînement conjoint de la parole et du langage

Tencent indique que l'encodeur vocal et le modèle linguistique ont été entraînés conjointement sur un vaste ensemble de données vocales multi-sources couvrant :

• Les dialectes.
• Les accents.
• Les environnements acoustiques.
• Différents groupes de locuteurs.
• Les schémas de langage contextuel.
• L'entraînement

conjoint vise à réduire l'écart entre la reconnaissance acoustique et la compréhension du langage.

Plutôt que de considérer la reconnaissance vocale comme :

La tâche du modèle audio est terminée
→ Le modèle linguistique nettoie ensuite la transcription

Hy ASR 3.0 est présenté comme un processus davantage intégré :

La représentation vocale et la modélisation linguistique
→ Sont entraînées en synergie
→ Produisent une transcription contextualisée

Les frontières internes exactes entre l'encodeur, le décodeur, le modèle linguistique et les phases d'apprentissage par renforcement ne sont pas entièrement publiques.

## SFT et apprentissage par renforcement multi-étapes

Tencent décrit un schéma de micro-ajustement supervisé couvrant :

- La transcription générale.
- Des tâches contextuelles arbitraires.
- La terminologie spécialisée.
- Différents environnements acoustiques.
- Des groupes de locuteurs variés.
- Dix grandes zones dialectales.
- Plus de 20 zones dialectales plus petites.

La société rapporte également l'utilisation d'un apprentissage par renforcement multi-étapes pour :

- La précision générale de la transcription.
- Le comportement contextuel.
- Des cas complexes de longue traîne.
- La réduction des erreurs de substitution et de suppression.

Aucun article technique public ne fournit actuellement la conception complète des récompenses, la répartition des données, la puissance de calcul d'entraînement ou les résultats d'études d'ablation.

Par conséquent, les déclarations sur l'architecture doivent être considérées comme des descriptions techniques au niveau du produit, et non comme des spécifications de recherche reproductibles.

## Langues et dialectes pris en charge par le moteur actuel de Tencent Cloud

La documentation de Tencent Cloud décrit le moteur actuel `Hy-ASR-3.0-preview` comme prenant en charge :

- Le mandarin.
- L'anglais.
- 20 dialectes chinois ou variantes régionales.

La liste des dialectes fournie par la documentation est la suivante :

| N° | Dialecte ou variante régionale |
|-|-|
| 1 | Cantonais |
| 2 | Dialecte du Nord-Est |
| 3 | Dialecte du Henan |
| 4 | Dialecte du Shaanxi |
| 5 | Dialecte de Chengdu |
| 6 | Dialecte de Chongqing |
| 7 | Dialecte de Wuhan |
| 8 | Dialecte de Guiyang |
| 9 | Dialecte de Qingdao |
| 10 | Dialecte de Jinan |
| 11 | Dialecte de Changsha |
| 12 | Dialecte de Hefei |
| 13 | Dialecte du Hebei |
| 14 | Dialecte de Kunming |
| 15 | Dialecte de Lanzhou |
| 16 | Dialecte de Yinchuan |
| 17 | Dialecte de Nanchang |
| 18 | Dialecte de Pékin |
| 19 | Dialecte du Sichuan |
| 20 | Dialecte de Tianjin |

Les étiquettes dialectales dans la documentation ASR commerciale sont de larges catégories de produits.

La parole réelle dans chaque catégorie varie selon la ville, l'âge, le contexte social, l'alternance codique, le vocabulaire et le locuteur.

Prétendre prendre en charge un dialecte ne doit pas être compris comme une précision identique pour chaque locuteur de cette région.

## Disponibilité de l'aperçu actuel

Tencent Cloud a ajouté le moteur d'aperçu Hy ASR 3.0 au produit WebSocket en temps réel le **4 août 2026**.

Ce service public est actuellement décrit comme une version de test interne ou d'aperçu.

| Élément | Statut documenté actuel |
|-|-|
| Type de produit | Reconnaissance vocale en temps réel |
| Méthode d'accès | API WebSocket Tencent Cloud |
| Nom du moteur | `Hy-ASR-3.0-preview` |
| Durée audio | 60 secondes maximum par entrée |
| Format audio | PCM mono 16 kHz |
| Concurrence incluse | 20 connexions simultanées |
| Mandarin | Pris en charge |
| Anglais | Pris en charge |
| 20 dialectes | Pris en charge |
| Séparation des locuteurs | Non prise en charge dans l'aperçu |
| Paramètres VAD | Répertoriés comme non pris en charge dans l'aperçu |
| Substitution de mots | Non prise en charge dans l'aperçu |

Paramètres de seuil de bruit | Non pris en charge dans l'aperçu |
| Entrée de contexte externe | À venir |
| Amélioration des mots de réveil | À venir |

La référence générale de l'API WebSocket inclut des paramètres utilisés par d'autres moteurs, y compris les identifiants VAD et de mots de réveil.

Hy ASR 3.0 est soumis aux notes d'aperçu spécifiques au moteur.

Les paramètres apparaissant dans le mode API partagé ne garantissent pas que le moteur d'aperçu a déjà implémenté ce paramètre.

## Processus d'intégration de base de Tencent Cloud

La configuration officielle comprend trois étapes principales.

## Étape 1 : Activer le service de reconnaissance vocale Tencent Cloud

Ouvrez le service de reconnaissance vocale Tencent Cloud et terminez le processus d'activation du compte.

La documentation officielle de démarrage rapide se trouve à :

```Plaintext
https://cloud.tencent.com/document/product/1093/54362

Veuillez consulter les informations de facturation avant d'activer la facturation à la consommation.

Tencent Cloud indique que la facturation à la consommation est désactivée par défaut pour les nouveaux comptes et doit être activée manuellement.

Étape 2 : Créer des identifiants API

Créez ou récupérez :

• AppID
• SecretID
• SecretKey

Ces identifiants servent à signer les demandes de connexion WebSocket.

Stockez-les dans un gestionnaire de secrets ou des variables d'environnement protégées.

Ne placez pas d'identifiants à long terme dans :

• Le code JavaScript frontal.
• Le code source des applications mobiles.
• Les dépôts de code publics.
• Les documents partagés.
• Les URL visibles par le client.

Pour les produits navigateur ou mobile, créez des informations de connexion signées sur un backend de confiance.

Étape 3 : Se connecter au point de terminaison WebSocket en temps réel

Le format du point de terminaison documenté dans la documentation Tencent Cloud est :

wss://asr.cloud.tencent.com/asr/v2/?{request_parameters}

Remplacez `` par l'AppID Tencent Cloud.

La demande inclut des paramètres de signature tels que :

• secretid
• timestamp
• expired
• nonce
• voice_id
• engine_model_type

Pour l'aperçu Hy ASR 3.0, définissez :

engine_model_type=Hy-ASR-3.0-preview

Chaque connexion WebSocket nécessite un voice_id unique.

Si la connexion se termine ou échoue, l'ancien voice_id devient invalide et un nouveau voice_id doit être généré.

Étape 4 : Préparer un audio compatible

L'aperçu actuel exige :

Taux d'échantillonnage : 16 kHz
Canaux : mono
Format : PCM
Durée d'entrée maximale : 60 secondes

Testez l'intégralité de la chaîne audio, pas seulement le fichier brut.

Les SDK microphones, les API média des navigateurs, les systèmes téléphoniques et les plateformes de réunion peuvent rééchantillonner ou compresser l'audio avant qu'il n'atteigne le serveur.

Étape 5 : Transmettre l'audio en continu et lire les résultats incrémentaux

Le service prend en charge la transcription en temps réel, renvoyant le texte pendant la transmission audio.

L'application doit gérer :

• Les résultats partiels.
• Les résultats finaux.
• Les erreurs de connexion.
• Les échecs d'authentification.
• Les délais d'attente.
• Les reconnexions.
• Les limites de durée audio.
• Les textes dupliqués ou révisés.

Ne supposez pas que chaque résultat de reconnaissance partiel est un résultat final.

L'interface ASR en temps réel peut réviser des mots ou phrases précédents après avoir obtenu plus de contexte.

L'interface utilisateur doit distinguer le texte temporaire du texte confirmé.

Étape 6 : Tester avant le lancement

Construisez un ensemble d'évaluation représentatif incluant :

• De l'audio client réel.
• Des accents courants.
• Des dialectes.
• Un mélange chinois-anglais.
• Des noms de personnes et des termes produits.

Du bruit.

• Des chuchotements.
• Une mauvaise qualité de microphone.
• Des commandes courtes.
• Des phrases complètes.

Mesurez à la fois la qualité de reconnaissance et le comportement du système.

Tarification du moteur d'aperçu

Tencent Cloud classe Hy ASR 3.0 en aperçu comme moteur de reconnaissance vocale en temps réel Grand Modèle 2.0.

La page de facturation actuelle indique :

Le tableau de facturation actuel de Tencent indique que la reconnaissance Grand Modèle 2.0 n'offre aucun quota audio gratuit.

Les 20 connexions simultanées incluses sont un quota de concurrence, pas une durée de reconnaissance gratuite.

Les prix peuvent varier. Avant de publier une offre commerciale ou d'estimer un budget à long terme, consultez la page de facturation en temps réel.

Exemple de coûts

Sur la base du tarif actuel à la consommation de 1,00 yuan/heure :

100 heures de reconnaissance réussie
× 1,00 yuan/heure
= 100 yuans

Le budget de production doit également inclure :

• Le prétraitement audio.
• Le transfert réseau.
• Les serveurs backend.
• Le stockage.
• La surveillance.
• La correction manuelle.
• Le trafic de nouvelle tentative.
• Le traitement en aval par modèles de langage.

Les frais ASR ne représentent qu'une partie du système de transcription complet.

Intégration avec Yuanbao et les produits

Tencent indique que Yuanbao a participé au développement du modèle et est le premier produit Tencent à l'intégrer.

Les utilisateurs peuvent expérimenter la fonction via la saisie vocale dans Yuanbao, le modèle étant conçu pour améliorer :

• La reconnaissance des dialectes.
• La correction contextuelle.
• La reconnaissance dans des conditions acoustiques difficiles.

Tencent indique que d'autres produits tels que WorkBuddy s'intègrent progressivement.

L'intégration des produits grand public peut différer de l'API publique d'aperçu Tencent Cloud.

Par exemple, Yuanbao peut utiliser des services internes, un contexte spécifique au produit ou des configurations de déploiement non encore ouvertes aux développeurs externes.

Il ne faut pas supposer que l'expérience dans Yuanbao correspond un à un aux paramètres de l'API publique.

Scénarios applicables

L'aperçu Hy ASR 3.0 est positionné pour les interactions vocales courtes et à faible latence.

Service client intelligent

Les utilisations potentielles incluent :

• La transcription en temps réel des agents.
• La reconnaissance des commandes des robots vocaux.
• La génération de comptes rendus d'appels.
• L'extraction d'intentions.
• L'aide au contrôle qualité.

L'aperçu actuel manque de séparation des locuteurs, ce qui peut limiter la transcription des appels multipartites, sauf si d'autres composants assurent la séparation des canaux ou des locuteurs.

Sous-titrage en temps réel

Le moteur peut prendre en charge le sous-titrage en temps réel de courte durée pour :

• Les vidéos en direct.
• Les salles audio.
• Les réunions internes.
• Les messages vocaux.
• Les interfaces d'accessibilité.

L'application doit tester la stabilité des résultats partiels et le comportement de ponctuation.

Recherche vocale

La reconnaissance contextuelle peut améliorer les recherches impliquant :

• Des questions en langage naturel à phrases longues.
• Des noms de produits.
• Un mélange chinois-anglais.
• Des prononciations régionales.

Tant que l'injection de mots clés n'est pas ouverte dans l'aperçu, les termes rares

du catalogue peuvent encore nécessiter un post-traitement ou une couche de correction d'erreurs distincte.

Commandes vocales et assistants

Le moteur peut convertir des instructions parlées en texte pour :

• Les assistants IA.
• Les agents intelligents d'entreprise.

Contrôle des appareils intelligents.

• Commandes de flux de travail.

Le système de commandes ne doit jamais exécuter d'actions à fort impact simplement parce qu'un résultat de transcription semble très fiable.

Pour les opérations destructrices ou financières, confirmez l'intention analysée et exigez une approbation explicite de l'utilisateur.

Compréhension du contenu

De courts extraits audio peuvent être transcrits avant d'être envoyés dans les processus suivants :

• Génération de résumés.
• Classification.
• Indexation de recherche.
• Modération de contenu.
• Extraction de connaissances.

La qualité de chaque étape de traitement IA en aval dépend du résultat de la transcription.

Lorsque les politiques le permettent, stockez l'audio brut ou les preuves de confiance afin que les sorties incertaines puissent être examinées.

Limites actuelles

État d'aperçu

Ce produit est toujours marqué comme étant en version aperçu ou bêta interne.

L'interface, les tarifs, les limitations et les fonctionnalités prises en charge peuvent changer.

Limite d'entrée de soixante secondes

L'API publique actuelle ne peut pas remplacer directement la transcription par lots de longs enregistrements.

Les fichiers audio longs doivent être traités par segments et peuvent nécessiter une couche contextuelle au niveau de l'application.

Entrée PCM uniquement

La version d'aperçu exige actuellement du PCM mono 16 kHz.

De nombreux environnements de production utilisent MP3, AAC, Opus ou des codecs téléphoniques, ce qui nécessite une conversion.

Séparation des locuteurs non prise en charge

La documentation exclusive du moteur actuel indique que la séparation des locuteurs n'est pas prise en charge.

La transcription multi-locuteurs peut nécessiter des canaux audio séparés ou d'autres services de séparation des locuteurs.

Fonctionnalités de contexte et de mots-clés non encore publiques

Selon la documentation officielle, les capacités annoncées n'ont pas encore été rendues disponibles en tant que fonctionnalités d'API d'aperçu utilisables.

Données de référence rapportées par l'entreprise

Les graphiques de référence proviennent de Tencent.

Une évaluation indépendante dans des conditions appariées renforcerait la crédibilité de la comparaison.

Pas d'article technique complet

Tencent a fourni une description de haut niveau de l'architecture et du processus d'entraînement de Hy ASR 3.0 en aperçu, mais n'a pas publié de détails complets et reproductibles.

Le contexte peut entraîner une surcorrection

Le décodeur sensible à la langue peut privilégier les phrases courantes et ignorer ce qui a été réellement dit, même si c'est peu courant mais correct.

Les tests doivent inclure des phrases rares et inattendues.

Liste de vérification pour une évaluation pratique

1. Construire un ensemble de test de domaine

Inclure au moins plusieurs centaines d'énoncés représentatifs, plutôt qu'un petit nombre d'échantillons de démonstration propres.

1. Conserver les textes de référence originaux

Créer des transcriptions de référence vérifiées manuellement avec une stratégie de normalisation claire.

Décider comment gérer :

• La ponctuation.
• Les chiffres.
• Les majuscules et minuscules en anglais.
• Les mots de remplissage.
• Les contenus répétés.
• Le chinois traditionnel et simplifié.

1. Mesurer plusieurs indicateurs

Utiliser :

• Le taux d'erreur de mots ou de caractères.
• Le taux de précision des noms propres.
• Le taux de précision des chiffres.
• Le taux d'erreur sémantique.
• La latence.
• Le taux de révision des résultats partiels.
• Le taux d'échec.

1. Tester les dialectes séparément

Ne pas regrouper tous les locuteurs de dialectes dans une seule moyenne.

Rapporter les résultats séparément par région et conditions d'enregistrement.

1. Tester l'ambiguïté contextuelle

Créer des paires d'échantillons dont le contenu acoustique est similaire mais où le contexte de la phrase change la transcription correcte.

1. Tester les termes rares

Évaluer les noms de produits et

Traiter d'abord la terminologie, puis répéter les tests une fois que Tencent aura ouvert la prise en charge des mots-clés.

1. Tester les scénarios de bruit et de chuchotement

Utiliser des enregistrements réels de l'environnement, et non uniquement du bruit superposé numériquement.

1. Tester les limites de segmentation

Confirmer que l'implémentation de segmentation de 60 secondes ne coupe pas les phrases importantes et ne produit pas de texte dupliqué.

1. Mesurer la latence de bout en bout

Inclure les étapes suivantes :

Capture
+ Téléversement
+ Reconnaissance
+ Finalisation du résultat
+ Traitement en aval

1. Examiner les exigences de confidentialité et de conformité

Les enregistrements vocaux peuvent contenir des informations personnelles ou sensibles.

Avant le déploiement, la conservation des données, les droits d'accès, le chiffrement, le consentement de l'utilisateur et les politiques de suppression doivent être clairement définis.

Comparaison entre Hy ASR 3.0 en aperçu et les pipelines ASR traditionnels

La nouvelle approche n'élimine pas le besoin d'ingénierie ASR traditionnelle.

Elle ajoute une couche linguistique plus puissante sur le même système de bout en bout.

Questions fréquentes

Qu'est-ce que Hy ASR 3.0 en aperçu ?

Hy ASR 3.0 en aperçu est un modèle de reconnaissance vocale en temps réel proposé par Tencent Hunyuan, basé sur la fondation linguistique Hy3 et un encodeur vocal propriétaire. Son objectif est de combiner la reconnaissance acoustique avec la compréhension du langage contextuel.

Quelles langues et dialectes Hy ASR 3.0 prend-il en charge ?

La documentation Tencent Cloud indique la prise en charge du mandarin, de l'anglais et de 20 dialectes ou variantes régionales chinoises, notamment le cantonais, le mandarin du Nord-Est, le Henan, le Shaanxi, le Chengdu, le Chongqing, le Wuhan, etc. La précision peut varier selon les locuteurs et les régions.

Quel est le WER (taux d'erreur de mots) publié ?

Tencent a publié des résultats WER agrégés sur des références publiques : mandarin 3,34 %, anglais 2,62 %, cantonais 3,12 %. Ces résultats sont rapportés par l'entreprise sur la base de plusieurs ensembles de données agrégés, et ne constituent pas des résultats de tests unifiés reproduits de manière indépendante.

Hy ASR 3.0 peut-il transcrire de longs enregistrements ?

L'aperçu public actuel accepte au maximum 60 secondes d'audio par entrée. Les enregistrements plus longs nécessitent un traitement par segments, et l'application doit conserver un contexte efficace entre les segments.

L'API actuelle prend-elle en charge les mots-clés et le contexte personnalisé ?

Selon la documentation d'aperçu du 4 août 2026 de Tencent Cloud, ce n'est pas encore pris en charge. Ces capacités sont décrites dans les documents de lancement, mais les pages officielles de l'API indiquent que l'entrée de contexte et l'amélioration des mots-clés seront ouvertes ultérieurement.

Quels formats audio sont pris en charge ?

La documentation actuelle de Hy ASR 3.0 en aperçu spécifie la prise en charge d'une entrée PCM mono 16 kHz. Les applications utilisant MP3, AAC, Opus ou d'autres formats doivent convertir l'audio avant l'appel.

Envoyez-le à ce moteur.

Comment les développeurs peuvent-ils appeler Hy ASR 3.0 ?

Les développeurs utilisent l'API WebSocket de reconnaissance vocale en temps réel de Tencent Cloud et définissent engine_model_type sur Hy-ASR-3.0-preview. La connexion doit être signée avec les identifiants Tencent Cloud.

Hy ASR 3.0 est-il gratuit ?

La page de facturation actuelle de Tencent Cloud ne répertorie pas de quota audio gratuit pour la reconnaissance du grand modèle 2.0. La page affiche des forfaits prépayés à partir de 60 heures à 1 CNY par heure, et une facturation postpayée à 1 CNY par heure, incluant 20 canaux concurrents.

Outils associés

• Aperçu ASR Hunyuan de Tencent Cloud : documentation officielle sur les fonctionnalités, limitations, dialectes et intégration rapide de Hy ASR 3.0 en aperçu.
• API WebSocket ASR temps réel Tencent Cloud : documentation officielle sur les points de terminaison, paramètres d'authentification, sélection du moteur et réponses.
• API Explorer Tencent Cloud : interface officielle de Tencent pour vérifier les API et générer des exemples de requêtes SDK.
• SDK Python Tencent Cloud : SDK Python officiel pour les API et la gestion des identifiants Tencent Cloud.
• FFmpeg : boîte à outils open source audio/vidéo, utile pour convertir l'audio d'entrée en fréquence d'échantillonnage et configuration de canaux compatibles.
• Websocat : client WebSocket en ligne de commande, adapté pour tester les points de terminaison en streaming pendant le développement.

Liens associés

• [Documentation d'aperçu ASR Hunyuan](https://cloud.tencent.

/com/document/product/1093/135476) : statut officiel actuel, dialectes pris en charge, limitations et configuration de base.

• API de reconnaissance vocale en temps réel : référence du format du point de terminaison WebSocket et des paramètres de requête.
• Guide de démarrage rapide de l'API serveur en une minute : guide officiel de Tencent Cloud pour l'activation du service et les informations d'identification.
• Facturation ASR de Tencent Cloud : informations actuelles sur le prépayé, le postpayé, la concurrence et le quota gratuit.
• Mises à jour du produit ASR de Tencent Cloud : journal de publication officiel indiquant l'ajout du moteur d'aperçu Hy ASR 3.0 le 4 août 2026.
• API de mots-clés de Tencent Cloud : API officielle de liste de mots-clés pour l'ASR général ; la prise en charge de la version d'aperçu Hy ASR 3.0 est toujours marquée comme « à venir ».
• Tencent Hunyuan : portail officiel des modèles et produits Hunyuan.

Résumé

La version d'aperçu Hy ASR 3.0 de Tencent Hunyuan combine l'encodeur vocal avec les capacités du modèle de langage Hy3 afin d'améliorer la transcription en mandarin, en anglais, en dialectes, en langues mixtes, dans les environnements bruyants et dans les contextes dépendants.

Tencent rapporte un WER de 3,34 % pour le mandarin, 2,62 % pour l'anglais et 3,12 % pour le cantonais sur des ensembles de données publiques agrégés, tout en obtenant des résultats de premier plan dans ses tests de scénarios internes. Ces chiffres sont prometteurs, mais doivent encore être validés sur l'audio propre à chaque organisation.

La version d'aperçu actuelle de Tencent Cloud est plus limitée que la vision complète de la version finale.

Elle prend en charge la reconnaissance WebSocket en temps réel, le PCM mono 16 kHz et une entrée audio d'une durée maximale de 60 secondes. L'injection de contexte externe, l'amélioration par mots-clés, la séparation des locuteurs et plusieurs autres fonctionnalités ne sont pas encore disponibles sur ce moteur.

Le changement clé n'est pas que la reconnaissance vocale n'écoute plus les sons, mais que le modèle de langage aide désormais à déterminer ce que les sons sont les plus susceptibles de vouloir dire.