菜单
English articles本文暂无译文
积墨AI

积墨AI

开源ASR新标杆:词错误率2.28%的语音识别模型如何破解企业级落地难题

11月12日,一款全新的开源非流式语音识别模型正式发布并开放权重。在独立评测机构的非流式语音识别榜单上,它以2.28%的词错误率(WER)位列开放权重模型第一、全部模型第七,超越了NVIDIA Nemotron 3.5 Transcribe的2.81%和Mistral Voxtral Small的2.77%。对于正在构建语音客服、会议纪要、通话分析等能力的企业而言,这是一个值得认真评估的新选项。但榜单数字之外,这次发布还揭示了一个更关键的问题:企业语音应用的成败,往往不取决于模型能听懂多少话,而取决于它能否把邮箱、电话号码这些关键字段一字不差地识别出来。

榜单第一背后的架构与指标

这款模型是该厂商首个开放权重的语音增强语言模型,采用混合专家架构(MoE),总参数量约266亿,单次推理仅激活约46亿参数,面向的是非流式识别场景——接收完整音频后输出转录结果,而非边听边转。2.28%的WER统计的是识别过程中的替换、删除和插入错误,数值越低代表转录越接近参考文本。不过需要清醒认识到,这一成绩来自特定测试集的综合评估,并不代表所有场景都能保持同等准确率。厂商同步公布的另一组数据更贴近现实:在覆盖14种英语口音的呼叫中心对话测试中,平均词错误率为8.21%,虽在8种口音上取得最低错误率,但与榜单数字的差距说明,嘈杂环境、多口音和连续对话仍会显著影响表现。

关键字段识别比WER更重要

语音识别系统惯用WER衡量准确率,但在真实业务里,每个词的重要性并不均等。用户向客服报出邮箱地址时,一句话里哪怕只有一个数字或字母识别错误,系统就可能找不到对应账户,后续自动化流程全部中断。为此,这次发布引入了VoiceCodeBench评测,重点检验电话号码、邮箱、网址和代码符号等关键实体的识别能力。其中任务成功率(TSR)的标准极为严格:一段录音里的所有目标实体全部正确才算成功。模型在该测试中取得76.3%的任务成功率和93.4%的实体恢复率,在23个参评系统中位列第二、开放权重模型中排名第一。93.4%与76.3%之间的落差说明:单个字段容易识别对,但要求全对时,失败概率会叠加。

企业语音应用的成败,不在榜单排名里、不在综合错误率里,而在每一个电话号码和邮箱字符的准确识别里

“行业观察”
积墨 AI 核心产品

积墨 AI 智能体开发平台

快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。

从产业实践看企业语音落地

从多年产业实践经验来看,企业语音项目的选型不能只盯着综合WER排名。首先,要按真实业务分布构建评测集:如果客服录音以多口音、嘈杂环境为主,就应参考呼叫中心场景的8.21%而非榜单的2.28%,并用自己的历史录音做回归测试。其次,关键字段必须单独验收——对于自动填写客户资料、核验联系方式、调用业务接口的Voice Agent,建议在转录之后增加一层结构化校验,比如邮箱格式校验、号码位数与区号合法性检查,识别失败时自动回退到人工确认或重新播报。第三,上下文提示能力值得重点利用:开发者可以在识别时传入客户名单、产品目录、行业术语等关键词表,实测中关键词F1得分可从71.9提升至96.8,即便传入整场会议的完整关键词列表也能达到94.0。但要注意,这些提升来自指定测试集,实际效果取决于关键词覆盖率、干扰词数量和音频质量,需要逐场景验证。最后,模型虽每次只激活46亿参数,部署时仍需容纳完整266亿权重,显存规划不能按激活参数估算。

格式控制与部署能力的价值

除了准确率,该模型还支持通过自然语言指令控制转录风格:同一段录音,可以选择保留嗯、呃等口头填充词,也可以要求删除无意义重复、规范大小写,或将口语数字转换为阿拉伯数字。这对不同业务形态有直接价值——会议纪要需要干净文本,法律访谈或逐字记录要求保留原始表达,语音表单则希望电话号码、日期直接进入结构化字段。在偏好感知测试中,按指定格式转录的词错误率为5.05%,在公布的对比模型中排名第二。部署方面,模型以Apache 2.0许可证开放权重并提供基于vLLM的方案,在一张高端服务器GPU上每秒最多可处理约1039秒音频,30秒录音的转录耗时约0.22秒。这些数字体现的是批量转录吞吐能力,并非实时对话的端到端延迟。因此它更适合录音转写、客服通话分析、会议纪要和企业语音数据处理;需要边说边识别、实时打断的语音助手,仍需搭配流式识别方案。需要提醒的是,格式控制不等于结构化信息一定准确,账号、金额、订单号等重要字段仍需业务侧校验机制兜底。

这次开源为开放权重ASR赛道提供了一个进入第一梯队的新选择,也把企业语音应用的核心问题放进了同一组评测:普通词错误率、关键实体完整性、专业词汇的上下文识别,以及转录格式是否符合业务要求。对构建Voice Agent的团队来说,听懂一句话只是第一步,电话号码少一位、邮箱错一个字符都可能让任务失败。榜单成绩之外,能否在自有客服录音和领域数据上保持稳定,还需真实场景验证。

#ASR#开源大模型#MoE架构#语音识别#上下文提示
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信