支持 202 种方言免切换：科大讯飞 Spark ASR 2.0 语音识别模型上线

语音转写的下一程，正在从“听得清”走向“整理得好”。科大讯飞近日推出最新的语音识别大模型 Spark ASR 2.0，它基于语音基座大模型 Spark Audio 1.0 Preview 构建，在复杂声学场景识别、通用识别、上下文理解以及文本的流畅与规范等几个方面做了强化。

一个值得关注的细节是，上述两款模型都基于全国产算力训练而成。讯飞把多年沉淀的智能语音能力与国产算力平台上的大模型训练经验结合起来，继续迭代语音基座与专用模型。

日常使用中，多数语音识别模型其实已经能准确转写，但在嘈杂环境、中英文混杂，或者转录专业会议时，仍会出现错字和漏字，语气词、重复甚至临时改口，也常常让结果需要二次整理。多数模型的目标还停留在精准转写上，而 Spark ASR 2.0 想解决的是这些后处理麻烦。

实测围绕四个方向展开。通用识别方面，用河南话测试时，模型几乎在说完的瞬间就完成识别；据官方介绍，它已经能对全国 202 种方言免切换识别。中英文混合场景里，一段包含 RISC V、TPU 等英文缩写与芯片术语、句式较长的业务介绍，也被完整识别，专业词汇没有出错，这有助于减少科技媒体与技术会议的后期校对成本。

复杂声学场景是另一个关键维度。在地铁噪音下，模型能够区分环境声与人声，识别出“一号线”“东单”等关键信息并完整转写；在刻意压低音量、使用气声的悄悄话测试中，它同样能准确识别。整体来看，模型借助上下文，能修正部分歧义表达，并减少口头语和重复，让转写出来的内容更接近一段能直接拿去用的文本。

目前，Spark ASR 2.0 已经在讯飞输入法上线，同时在讯飞开放平台上提供 API 服务，并开放了体验入口；之后还会陆续进入讯飞 AI 眼镜、智能办公本与讯飞听见等产品。当语音模型从单纯转写延伸到整理与理解，它在会议、办公与内容生产中的价值，才真正开始显现。

文章与图片内容转载网络，如有侵权请联系平台删除