火山引擎推出豆包语音识别模型 2.0（Doubao-Seed-ASR-2.0），该版本在推理能力上显著提升，支持多种语言和视觉信息精准识别。它继承前作高性能音频编码器优势，优化复杂场景识别，依托先进 PPO 方案实现精准识别。具备多模态理解能力，可结合图像内容进行语音识别，避免偏差。支持 13 种海外语言，拓展跨语言应用。模型已上线并提供 API 服务，未来将持续进化，此次发布展示了其创新能力和技术实力，预计带来积极影响。