AssemblyAI 发布 Universal-1：重新定义语音识别的精度与速度

在语音 AI 领域，准确率的提升往往意味着更低的误识率和更少的“幻觉”（Hallucination）。4 月 3 日，行业领先的语音 AI 提供商 AssemblyAI 正式推出了其最新旗舰模型 Universal-1。这款模型不仅代表了公司在自动语音识别（ASR）技术上的重大突破，更旨在解决当前语音转写应用中普遍存在的痛点：多语言切换困难、时间戳不准以及背景噪音下的识别失效。

核心突破：基于海量数据的极致训练

Universal-1 的核心优势在于其训练数据的规模与质量。该模型经过了 超过 1250 万小时 的多语言音频数据训练，覆盖了英语、西班牙语、法语和德语四大主要语言。这种超大规模的预训练使得 Universal-1 能够在各种复杂场景下保持极高的鲁棒性，包括重背景噪音、口音明显的演讲、自然对话以及语言风格的快速转换。

与之前的 Conformer-2 模型相比，Universal-1 在多个关键指标上实现了显著跃升：

• 词错误率（WER）大幅降低：在英语、西班牙语和德语上，Universal-1 相比次优的商业系统提升了 10% 以上的准确率。
• 减少幻觉：相比广泛使用的开源模型 OpenAI Whisper Large-v3，Universal-1 将幻觉率降低了 30%，为用户提供了更可信的转写结果。
• 人类偏好测试：在人类偏好测试中，71% 的用户更倾向于选择 Universal-1 的输出结果。

技术亮点：从时间戳到并行推理的全面优化

除了整体准确率的提升，Universal-1 还在工程化落地层面进行了深度优化，使其更适合生产环境。

1. 精准的时间戳与说话人分离

对于视频编辑、会议分析和对话分析等下游应用，精确到单词级别的时间戳至关重要。Universal-1 在此方面表现卓越，相比 Conformer-2 提升了 13% 的时间戳精度。这一改进直接提升了说话人分离（Speaker Diarization）的效果，使拼接最小排列词错误率（cpWER）降低了 14%，说话人数估计准确率提高了 71%。

2. 高效的并行推理

为了应对长音频文件的处理需求，AssemblyAI 优化了模型的并行推理能力。在相同硬件条件下，Universal-1 实现了比 Whisper Large-v3 快 5 倍 的处理速度。这意味着开发者在处理长会议记录或视频内容时，能够显著降低延迟，提升用户体验。

3. 多语言无缝切换

Universal-1 展现了强大的代码切换（Code-switching）能力，能够在单个音频文件中流畅地转录多种语言，无需复杂的预处理步骤，极大地简化了多语言应用场景的开发流程。

行业价值：Garbage In, Garbage Out 的终结

AssemblyAI 创始人兼 CEO Dylan Fox 强调，准确性是决定语音 AI 产品成败的关键。"如果转写不准确，客户依赖的下游智能也将大打折扣，这就是 Garbage In, Garbage Out。" 目前，AssemblyAI 已为超过 20 万家中小企业提供语音 AI 服务，Universal-1 的推出将帮助这些企业从语音数据中挖掘出真正的商业价值，无论是用于总结视频通话、自动化客户服务，还是辅助教学。

随着多模态大模型的发展，语音数据正成为构建下一代 AI 应用的核心资产。Universal-1 的出现，标志着语音识别从“可用”迈向了“好用”的新阶段，为开发者构建更智能、更自然的语音交互产品提供了强有力的工具。

"我们希望 Universal-1 的新能力能够助力构建下一代基于语音数据的 AI 产品与功能。" —— AssemblyAI 官方团队