官方 Blog: https://developers.google.com/health-ai-developer-foundations/medasr

huggingface: https://huggingface.co/google/medasr

MedASR 为何物？

MedASR 是基于 Conformer 架构预训练的语音识别模型，旨在为开发者提供一个起点，并适用于医学领域的语音转文本任务，如放射学转录和医生-患者对话的转录。

MedASR 模型是专门针对多样化的医学语音数据进行训练的。其训练使用了大约5000 小时的医生语音记录，涵盖了各种专业领域（ proprietary dataset 1）和非识别的医学对话，主要是医生-患者对话（proprietary dataset 2）。模型在音频片段与对应的转录和元数据上进行训练， conversational data 的子集也包括了广泛的医学命名实体注释，如症状、药物和条件。因此，MedASR 对医学上下文中的词汇有很强的理解能力。

MedASR 模型是推荐用于涉及专业医学术语和转录医生-患者对话的语音转文本任务。对于需要分析转录文本的语义内容（如摘要或问答）的应用程序，MedASR 的输出可以作为生成模型（如 MedGemma）的输入。

以上是来自 MedASR 的官方(https://developers.google.com/health-ai-developer-foundations/medasr)介绍，那么其疗效如何呢？我们同样以官方给出的结果为例。


可以看到，MedASR 在医疗领域表现十分出色，大幅领先同门的通用 Gemini，断崖式领先行业的 Whisper 模型。并且我们看到，即使在有海量数据的 Google，语音识别中的语言模型依旧在发光发热，大幅度提升了医学领域的语音识别效果。

这里，我们汇总几个要点：

  1. 模型架构：模型架构为 Conformer-CTC（是的，你没看错，还是旧的配方，还是 Conformer，还是 CTC）。
  2. 模型大小：105M，算是很小了，并可以外挂 700M 的语言模型。
  3. 数据：官方简介中使用了 5000 小时的医学数据，这块应该是在通用识别的海量数据基础上，新增了 5000 小时医学数据。
  4. 与 Gemini 的对比：这块事实上是存疑的，不清楚有没有部门墙和数据墙，是否 Gemini 中也同样包含了 5000 小时医学数据。不过，撇开这点不谈，能以一个 100M 的规模，能把自家几百 B 的 Gemini 2.5 Pro 按在地上狠狠摩擦，已经证明了其价值。

通用与专用，如何破局？

看到这个工作，对我们有何启发？我们第一想到的是通用和专用。

大模型开创了通用模型的先河，在大模型诞生之初，我们普遍强调大模型的能力不在于他在特定单一任务上的表现，而在于他能够适应各种任务的能力。所以自大模型诞生以来，通用模型一直是行业探索的主流。 然而，随着越来越多的公司参与到大模型的军备竞赛中来，事实上同质化非常严重。

那么如何破局，特别是对于进入到这个领域的新公司，如何打造自己独有的卖点？ 或许专用就是答案。当然这个专用不是仅作用在一个领域，而是模型能力成 T 型，在保留一定通用能力的基础上， 在某个特定领域能远比其他模型表现更好，从而构建差异化的竞争优势，打造自己独有的卖点。

事实上，我们已经看到了这样的趋势，对目前的部分模型也有了特殊的记忆点，例如 Claude 在代码方面能力突出，Nano Banana 在图片生成方面能力突出， 智谱的 AutoGLM 在 GUI Agent 方面也积累了一些声量。

未来，通用和专用或是并驾齐驱的发展，大模型如是，视觉如是，语音亦如是，通用万岁万岁万万岁，而专用模型的春天也已来！