Spark-ASR-2.0 – 科大讯飞新一代语音识别大模型

Spark-ASR-2.0 是科大讯飞推出的新一代语音识别大模型，依托 Spark-Audio-1.0-Preview 语音基座大模型开发，采用全国产算力完成训练。模型跳出传统语音识别单纯还原语音文字的思路，在转写过程中加入语义层面的文本润色，直接输出通顺可读的文稿。音频输入包含嘈杂环境、小声语音、快速口语、儿童语音、中英混杂对话等复杂类型，对各类方言与行业专业词汇具备较强适配能力。推理开销控制在合理区间，性能提升不会带来成本的大幅上涨，可落地到各类硬件终端与云端业务接口。

Spark-ASR-2.0特点

Spark-ASR-2.0 在高噪声环境下维持稳定识别效果，适配多样的语音输入条件。

处理中英混合对话、地方方言、行业术语时，词错误率相比前代模型明显下降。

输出文本自带整理能力，自动剔除口语重复、口误、多余语气助词，交付可直接阅读的成文内容。

上下文信息可持续参与识别推理，长段落对话里的指代内容、专有名词可以保持统一。

模型推理开销小幅增加，兼顾识别质量与业务部署成本。

支持端侧设备轻量化部署，可在智能硬件上完成本地语音转写。

Spark-ASR-2.0技术原理

模型融合非自回归语音编码网络与 LLM 增强自回归分支，两条路径协同处理音频信号。

声学编码器将音频波形转换为声学特征，完成声音信号到语言信息的初步映射。

声学与文本联合增强模块对中英混合样本、方言样本做特征优化，减少噪声对识别结果的干扰。

动态上下文注入机制把历史对话信息送入模型，利用前文内容校正当前片段的识别结果。

语言大模型分支负责文本后处理，修正错字、规整语句结构，压缩口语冗余内容。

整套训练流程基于国产算力集群完成，适配国内算力基础设施。

Spark-ASR-2.0功能

流式实时语音转写，接收持续音频流并分段输出识别文字。

离线音频文件解析，支持录音文件批量转文字。

中英文混合识别，自动区分语句内中文与英文词汇。

多类方言识别，覆盖国内主流方言体系。文本自动规整，清理口语赘余内容，优化语句可读性。

输出文字附带时间戳标记，定位每段语音对应的文本位置。

API 接口对外提供调用能力，支持第三方系统接入。

Spark-ASR-2.0应用场景

线上会议记录，实时生成会议文稿，减少人工整理耗时。

课堂授课录音转写，整理教学内容形成课堂笔记。

媒体采访素材处理，快速将采访录音转为文字稿件。

智能硬件语音采集，办公本、AI 眼镜等设备采集语音并生成文本。

客服语音质检，对通话录音做文字解析，辅助业务审核。

医疗、法律等专业场景录音转录，识别领域内专业词汇。

Spark-ASR-2.0如何使用

1. 进入科大讯飞开放平台，注册开发者账号，创建应用项目，获取 API 调用密钥。
2. 选择 Spark-ASR-2.0 模型接口，区分实时流式识别与离线文件转写两种调用模式，配置采样率、语言类型等参数。
3. 接入音频数据源，实时场景推送麦克风音频流，离线场景上传本地音频文件。
4. 接收接口返回文本，读取时间戳字段，开启文本规整选项获取润色后的文稿。
5. 调试音频降噪、方言识别等参数，验证嘈杂场景、混合语种场景的识别效果。
6. 完成测试后配置调用配额，将接口集成到软件、硬件产品，正式上线。

Spark-ASR-2.0同类产品对比

表格