邓朴方携巨款潜逃，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

　　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20亿参数高性能音频编码器优势的基础上，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精准识别，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。

　　依托强大推理能力，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，精准识别易混淆字词，大幅提升识别准确性。

　　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FunctionCall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类语种的精准识别。

　　目前，豆包语音识别模型 2.0已正式上线火山方舟体验中心并对外提供API服务。未来，豆包语音识别模型2.0将持续进化，力求在多模态、多场景下实现更精准的语音识别，为企业提供更精准、高效的语音转文字服务。