Spark-ASR-2.0：科大讯飞新一代语音识别大模型

AI新闻 AI工具箱 3周前

一、Spark-ASR-2.0是什么

Spark-ASR-2.0是科大讯飞发布的新一代语音识别大模型，基于Spark-Audio-1.0-Preview语音基座大模型、全国产算力训练而成。它打破传统ASR只做原声文字还原的思路，将声学识别与大语言模型语义理解结合，在识别语音文字的同时自动优化文本，直接输出通顺可读的文稿，实现语音转写“流畅成文”的效果，面向企业开发者与普通用户提供云语音转写能力。

二、功能特色

中英混合免切换识别：支持中文与英文交替对话场景，无需手动切换语种，减少混合对话场景下的识别错误。
202种方言自动识别：覆盖国内绝大多数方言，搭配37门外语识别能力，自动判别语种/方言，无需提前指定语言类型。
复杂声学环境增强识别：针对高噪音、小音量、快语速、儿童语音等识别难点场景优化，降低嘈杂环境下的文字错误率。
上下文语义智能纠错：动态读取上文语境，修正指代错误、专业名词识别偏差，理解对话逻辑。
口语冗余自动清理：自动过滤“嗯、啊、然后”等语气词、重复口误、临时改口内容，自动添加标点，输出整理后的文稿，减少人工二次编辑工作量。
专业术语识别优化：会议、访谈、教育等场景的行业名词识别能力增强。
可控推理成本：相比Spark-ASR-1.0，模型效果大幅提升，但推理成本仅增加约10%，兼顾识别质量与调用成本。

Spark-ASR-2.0

三、技术细节

Spark-ASR-2.0采用非自回归+LLM增强自回归双分支协同架构，两条分支并行处理音频信号：非自回归分支负责快速完成声学层面的文字识别，保证实时转写速度；LLM增强自回归分支负责语义理解、上下文修正、文本润色，保证输出文稿可读性。

配套两大核心技术：

中英文混合声学+文本联合增强：同时在声学特征、文本语料层面做混合语言训练，解决中英夹杂对话容易断句错乱、识别乱码的痛点。
动态上下文注入技术：持续缓存历史对话文本，在识别当前语音片段时引入上文信息，对歧义词汇、专业名词做上下文消歧。

模型整体基于全国产算力完成训练，可通过公有云API对外提供实时语音听写、长音频文件转写两类服务；无开源权重包，不支持本地私有化部署模型权重，仅可调用云端接口使用。

四、应用场景

会议纪要：实时会议录音转写，自动整理口语冗余，直接生成可读会议文稿。
访谈/采访录音：人物访谈、田野采访，支持方言、嘈杂环境录音转写。
课堂教学：课堂录音、线上课程转写，生成课堂文字笔记。
实时字幕：直播、线上会议实时字幕生成。
客服质检：电话客服录音批量转写，用于对话内容分析。
多场景语音输入：讯飞输入法内置语音输入，支持日常语音打字。

五、使用方法

普通用户使用

升级最新版讯飞输入法（移动端、PC端），在语音输入功能中，模型会自动切换Spark-ASR-2.0引擎，直接长按语音按钮说话即可获得经过润色的文字结果；后续讯飞听见、智能办公本、AI眼镜等硬件产品也会陆续升级搭载该引擎。

开发者API接入使用

访问讯飞开放平台注册账号，创建应用，获取AppID、API Key、API Secret。
选择对应接口：实时语音听写（短音频流）、录音文件转写（长音频文件）。
按官方文档调用云API，传入音频流/音频文件，云端返回识别+润色完成后的文本。
按音频时长按量计费，新用户可领取平台免费调用额度进行测试。

六、竞品对比

选取OpenAI Whisper、阿里FunASR两款主流语音识别模型进行对比：

对比项	Spark-ASR-2.0	OpenAI Whisper	阿里FunASR
核心定位	云语音识别+LLM文本一体化润色，输出成文文稿	开源原声转录模型，还原语音原话	开源高性能ASR，侧重声学精准识别
部署方式	仅云API调用，无开源本地权重	开源，支持本地部署、云API	开源，支持本地部署、云API
方言能力	202种方言自动识别	方言支持弱，仅少量中文方言	国内主流方言支持，数量少于Spark-ASR-2.0
文本处理	自动清理口语语气词、修正语义、加标点	原样输出口语内容，无内置润色	基础自动标点，无LLM语义润色
中英混合识别	专项优化，无需切换语种	中英混识别容易出错	中文识别优秀，混合场景弱于Spark-ASR-2.0
复杂噪声场景	高噪、儿童语音专项优化	嘈杂环境识别衰减明显	噪声环境表现良好，但无LLM上下文纠错

七、常见问题解答

问：Spark-ASR-2.0支持本地离线部署吗？

答：不支持本地离线部署模型权重，该模型仅提供云端API服务以及讯飞自有产品内置调用。开发者只能通过网络请求调用讯飞云端服务，无法下载模型到本地服务器、电脑独立运行。

问：Spark-ASR-2.0和上一代Spark-ASR-1.0主要差别是什么？

答：Spark-ASR-2.0新增LLM语义增强分支，最大变化是识别结果不再单纯还原原话，自动精简口语冗余、依靠上下文修正错词；在中英文混合、方言、高噪音场景识别准确率显著提升，同时推理开销仅增加约10%。

问：Spark-ASR-2.0可以识别多长的音频文件？

答：通过开放平台录音文件转写接口，支持最长5小时以内的音频文件一次性提交转写；实时听写接口适合流式实时音频，没有时长上限限制。

问：调用Spark-ASR-2.0 API是如何收费的？

答：按照音频实际时长按量计费，讯飞开放平台提供新用户免费测试额度，超出额度后按阶梯价格扣费，可前往讯飞开放平台查看最新定价标准。

问：Spark-ASR-2.0支持哪些音频格式？

答：云端API推荐使用16K采样率、16bit、单声道PCM音频；同时兼容mp3、wav等常见音频格式，音频文件接口会自动做格式解析。

八、相关链接

Spark-ASR-2.0 API服务页面：https://www.xfyun.cn/services/spark_asr_zh_en_v2.0
模型在线体验地址：https://iflytekresearch.iflytek.com/experience/spark-asr

九、总结

Spark-ASR-2.0作为科大讯飞新一代语音识别大模型，依托双分支协同架构与国产算力底座，解决了传统语音转写需要人工二次整理文稿的痛点，在中文、方言、中英混合、嘈杂声学场景下拥有突出识别效果，兼顾识别质量与推理成本，普通用户可通过讯飞输入法快速体验，开发者可通过云端API快速接入，适配会议、访谈、课堂、字幕等各类语音转写业务需求。