Spark-ASR-2.0 讯飞推出的最新一代语音识别大模型

Spark-ASR-2.0是什么

Spark-ASR-2.0是讯飞基于星火语音基座大模型Spark-Audio的最新一代语音识别大模型。模型采用非自回归+LLM增强自回归协同架构，实现中英文混合、方言、专业术语、高噪小音量等复杂场景识别，效果超业界最优水平，推理成本仅增10%。模型可自动去口头禅、补标点、规范表达，已在讯飞输入法上线并开放API，后续将落地AI眼镜、办公本等终端。

Spark-ASR-2.0的主要功能

• 中英文混合识别 ：复杂混说场景下精准识别，无需切换。
• 方言免切换识别 ：支持全国202个城市的方言，随心说精准转。
• 专业术语识别 ：医学、化学、科技等拗口术语识别能力显著提升。
• 复杂声学场景识别 ：高噪声、小音量、快语速、儿童语音等场景表现出众，优于业界最优水平。
• 上下文识别 ：融合识别历史、修改记录与热词，消解同音词与语义歧义。
• 文本流畅规范化 ：自动精简冗余、去除口头禅、补全标点、规范数字符号单位，实现出口成章。

Spark-ASR-2.0的技术原理

• 非自回归与LLM增强自回归协同架构 ：延续Spark-ASR-1.0的非自回归范式，并行一次性输出整个文本序列，保证推理效率；同时引入LLM增强的自回归识别，两者协同提升整体准确率与语言理解能力。
• 中英文混合文本与声学联合增强 ：针对文本层面与声学层面分别建模增强，再进行联合优化，使模型在中英文混合、方言、专业术语等通用识别场景下效果大幅提升。
• 动态上下文注入 ：在识别过程中实时融合用户的历史识别内容、修改记录及个性化热词信息，结合上下句语境进行理解判断，有效消解易混淆发音与相似名词带来的识别偏差。
• 语音基座大模型能力延续 ：整体构建于Spark-Audio-1.0-Preview语音基座之上，继承其复杂声学场景的识别优势，在此基础上针对准确性与文本规范性做专项优化。

如何使用Spark-ASR-2.0

方式一：在线体验

• 打开体验页面 ：访问 https://iflytekresearch.iflytek.com/experience/spark-asr
• 输入或录制语音 ：在页面中直接说话或上传音频，即可实时查看识别结果。

方式二：讯飞输入法

• 下载讯飞输入法 ：扫码或在应用商店安装最新版讯飞输入法。
• 切换语音输入 ：在输入界面点击麦克风图标，长按说话即可使用Spark-ASR-2.0识别。

方式三：API接入（开发者）

• 访问开放平台 ：登录讯飞开放平台 https://www.xfyun.cn/services/spark_asr_zh_en_v2.0
• 创建应用并获取密钥 ：注册应用后获取AppID、APIKey等鉴权信息。
• 调用API服务 ：按照接口文档传入音频流，即可在自己的应用中集成识别能力。

Spark-ASR-2.0的核心优势

• 识别效果业界领先 ：方言、高噪、小音量等场景优于当前业界最好水平，WER明显降低。
• 推理成本极低 ：效果大幅提升的同时，推理成本相对1.0仅增加10%。
• 非自回归高效架构 ：并行一次性输出文本序列，兼顾高准确率与推理效率。
• 复杂场景全覆盖 ：中英文混合、202城方言免切换、专业术语、快语速、儿童语音均能精准识别。
• 强上下文理解 ：融合识别历史与热词动态消歧，准确处理同音词与相似名词。
• 流畅成文输出 ：自动去口头禅、补标点、规范数字符号，直接输出工整连贯的正式文本。

Spark-ASR-2.0的同类竞品对比

对比维度 | 讯飞 Spark-ASR-2.0 | 商汤 AudioClaw

Spark-ASR-2.0的应用场景

• 移动输入 ：在讯飞输入法中语音打字，中英混说、方言随意说，自动出口成章可直接发送。
• 会议记录 ：办公本/讯飞听见实时转写会议内容，高噪会议室也能精准识别并规范成稿。
• 专业领域记录 ：医学、化学、科技领域讨论与讲座的语音记录，复杂术语准确转写。
• 智能硬件交互 ：讯飞AI眼镜、翻译机等设备中的语音指令与对话识别，弱音量环境稳定工作。
• 开发者业务集成 ：通过开放平台API为客服、字幕生成、语音录入等企业应用提供高准确率、低成本的识别底座。