2024 年 8 月 21 日，字节跳动发布了其最新的自动语音识别（ASR）模型 ——Seed-ASR。该模型在超过 2000 万小时的语音数据和近 90 万小时的配对 ASR 数据上进行了训练，能够识别普通话、13 种中国方言、各种口音的英语以及其他 7 种语言。Seed-ASR 具有上下文感知能力，能够在特定上下文下识别语音内容，例如利用历史对话或会议记录识别当前语音中的人名、地名或其他上下文相关的关键词。
Seed-ASR 模型的技术细节基于大语言模型（LLM）框架构建，专门设计用于处理来自不同语言、方言、口音和应用场景的多样化语音信号。Seed-ASR 通过结合大规模训练数据和上下文感知能力，提升了语音识别的准确性和鲁棒性。
在应用场景方面，Seed-ASR 具有广泛的适用性。它可以用于智能助手、语音搜索、会议记录、视频字幕生成等多个领域。例如，在智能助手应用中，Seed-ASR 可以通过语音识别和上下文感知能力，提供自然的用户交互体验。在会议记录中，Seed-ASR 可以利用历史对话记录，识别和记录会议内容，提升工作效率。
在与其他语音识别模型的对比中，Seed-ASR 具有多语言和方言识别的能力。FunAudioLLM 在多语言语音识别和情感识别上具有优势，但在处理复杂的上下文信息时，Seed-ASR 的表现更加出色。