豆包语音识别模型2.0上线：不仅“听懂字”还能“看懂图”

IT之家 12 月 5 日消息，火山引擎今日发布豆包语音识别模型 2.0（Doubao-Seed-ASR-2.0）。

模型推理能力提升，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%；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；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 20 亿参数音频编码器的基础上，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优化升级。而更强的上下文推理能力，让模型实现多模态信息理解、混合语言精准识别能力。

豆包语音识别模型 2.0 基于 PPO 方案进行强化学习，不需要依赖目标词汇的历史出现记录，通过深度理解更加泛化的上下文即可完成识别，让语音识别更适配动态变化的真实交互场景，输出结果更准确。

以历史人物生平讨论场景为例，当用户提及苏辙贬谪地“筠（IT之家注读音：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。

豆包语音识别模型 2.0 将上下文理解范围从纯文本拓展至视觉层面，让语音识别突破“只识文字”的局限，实现“能识场景”的升级。它通过辅助理解单图和多图内容，帮助用户在搜拍或图片创作场景，识别易混淆字词，提升识别准确性。

以搜拍场景为例，当用户发送照片后，若想描述画面内容，传统模型可能因“滑鸡”不常见而误识别为常用词“滑稽”。而豆包语音识别模型 2.0 能同步解析图像，发现画面中是正在玩滑板的“鸡”，从而精准判断用户想表达的是“滑鸡”，避免字词混淆导致的识别偏差。

在图片创作场景中，越来越多用户选择用语音指令生成或修改内容，豆包语音识别模型 2.0 可智能结合当前图像内容进行辨析与纠错。当用户语音提及需修改的元素时，模型能精准判断其真实需求 —— 比如明确用户想调整的是画面中的“马头”，而非同音且更常见的“码头”，最终让图片生成贴合预期的画面。

豆包语音识别模型 2.0 采用 Function Call 策略，在高度保持中、英和方言识别准确度的前提下，支持日语、韩语、德语、法语、印尼语、西班牙语、葡萄牙语等 13 类语种的识别。

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。