AssemblyAI Universal-3.5 Pro：原生语码转换、最准说话人分离，ASR 模型解决真实音频三大痛点
基于已整理草稿生成的网页版文章，适合先稳定落地，再做局部润色与发布检查。
7 月 7 日，AssemblyAI 发布了旗舰语音识别模型 Universal-3.5 Pro 的异步版本。这不是一次常规升级——它同时解决了真实音频转录中最让人头疼的三个问题：多语言混说时丢词、说话人"谁说了什么"分不清、专业术语听写错。每个问题都不是小修小补，而是从模型架构层面重新设计。
原生语码转换：18 种语言混说不用切
大多数人说话时不会在两种语言之间"暂停切换"。印度英语和印地语混说、加拿大法语区法语和英语交替，这些场景在传统 ASR 系统中经常出问题——模型会强制把所有内容归到一种语言，少数语言的部分直接被吞掉或转写错误。
Universal-3.5 Pro 把语码转换做进了模型本身，不是事后拼接。18 种语言之间可以句内自由切换，无需任何配置或单独处理步骤。AssemblyAI 给出的 benchmark 数据显示，在 5 种语言对（西班牙语、德语、法语、意大利语、葡萄牙语与英语混说）的标准化词错率（Normalized WER）测试中，Universal-3.5 Pro 平均 7.69%，优于自家的 Universal-3 Pro（9.07%）、ElevenLabs Scribe v2（8.77%），远优于 OpenAI GPT-4o Transcribe（44.58%）和 Grok STT Batch（35.43%）。
一个直观的例子：一段语言学讲解中，说话人在英语句子中间插入"我父母不工作了"，Universal-3.5 Pro 准确转写了中英文切换，而竞品直接把中文部分跳过了。
说话人分离：不再只问"谁在说话"
传统说话人分离是个独立系统，只负责回答"谁在什么时间说话"，和负责"说了什么"的 ASR 系统完全分开。两个系统的输出靠时间戳对齐拼接，结果经常错位——短对话丢失、快节奏交锋被吞、说话重叠时全盘崩溃。
Universal-3.5 Pro 换了思路：把"谁说了什么"作为一个联合问题来解。模型直接输出带说话人标注的文本，而不是先切时间再贴文字。这样短促的来回对话、说话人频繁切换的场景都能被捕捉到。
更重要的是，AssemblyAI 提出了一个更合理的评估指标。传统的 DER（Diarization Error Rate）只看时间区域，不看文字——一个完美转录但漏标了 11 秒群体笑声的结果，DER 可能比把近三分之一词语归错说话人的结果还差。Universal-3.5 Pro 优化的是 cpWER（concatenated minimum-permutation Word Error Rate），它衡量的是"每个说话人的话，有多大比例被系统说错或归给了别人"。
在涵盖会议、电话、远场、对话等多种场景的 cpWER 测试中，Universal-3.5 Pro 平均 30.17%，低于 Deepgram Nova-3（37.92%）、ElevenLabs Scribe v2（35.26%）、Gladia（36.87%）等主要竞品。
上下文提示：给模型一点背景，术语准确率暴涨
Universal-3.5 Pro 引入了上下文提示（Contextual Prompting）功能。你可以在请求时传入领域或上下文信息，模型会利用这些信息引导转录。
一个游戏领域的例子很直观：一段英雄联盟职业选手的采访音频，2 秒的短片段。没有提示时，模型听到的是"And so look who I've been a dear"；加上提示"This is a League of Legends Pro Interview"后，同样的音频被正确转写为"In solo queue, I ban Azir"。
医疗场景效果更显著：传入患者的上一次就诊记录后，药物和疾病名称的漏检率降低了 31%。呼叫中心可以预传产品名、品牌名、套餐名，会议场景可以传入上次议程或参与者名单。
18 种语言 + $0.21/小时
Universal-3.5 Pro 目前支持 18 种语言的全精度转录：英语、西班牙语、法语、德语、意大利语、葡萄牙语、阿拉伯语、丹麦语、荷兰语、芬兰语、希伯来语、印地语、日语、普通话、挪威语、瑞典语、土耳其语和越南语。
定价为每小时音频 0.21 美元。开发者只需在 API 配置中设置 "speech_models": ["universal-3-5-pro"] 即可调用。
值得注意的局限
Universal-3.5 Pro 是一个 API 服务，不开源。对需要私有化部署或数据不出域的场景，这个限制是硬性的。
语码转换的 benchmark 只覆盖了 5 种语言对（都是欧洲语言与英语的混说），中英、日英等亚洲语言混说场景的表现还需要更多实测验证。cpWER 虽然比 DER 更合理，但行业主流仍在使用 DER，短期内两个指标并存的局面不会改变。
此外，上下文提示虽然效果明显，但目前仅支持异步转录模式。实时模式下能否同样利用上下文信息，AssemblyAI 尚未说明。
对谁有用
呼叫中心和客服场景受益最大——多语言混说、多说话人交替、专业术语密集三大痛点同时被击中。会议转录产品也会从更准确的说话人分离中获益。医疗、法律等垂直领域则可以通过上下文提示大幅减少关键术语的错误。
从行业角度看，Universal-3.5 Pro 代表了 ASR 模型从"通用准确"向"场景可靠"的演进方向——不是在安静录音室里刷指标，而是在嘈杂、多语言、多说话人的真实场景中降低出错率。这个方向对整个语音 AI 领域都有参考价值。
---
*来源：AssemblyAI 官方博客，2026 年 7 月 7 日发布*
参考来源
说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。