Spark-ASR-2.0

Spark-ASR-2.0是什么

讯飞开放平台「语音听写大模型（中英）V2.0」服务页

Spark-ASR-2.0 是科大讯飞推出的最新一代语音识别大模型，基于星火语音基座大模型 Spark-Audio 打造。该模型于 2026 年 9 月 23 日正式发布，创新性地采用「非自回归 + LLM 增强自回归」的双擎协同架构，不仅在方言、中英混说、专业术语、高噪微声等严苛环境中展现出超越行业天花板的识别实力，更把推理开销的增幅严格控制在 10% 以内，实现了性能与成本的平衡。

目前，Spark-ASR-2.0 已经成功赋能讯飞输入法，并通过讯飞开放平台向开发者全面开放 API，后续还将逐步拓展至讯飞 AI 眼镜、讯飞智能办公本、讯飞听见等多元终端设备。换句话说，它既是一个可以「直接拿来用」的语音转文字能力，也是一个可以被集成进第三方软件的识别底层基座。

Spark-ASR-2.0的主要功能

1. 中英双语无缝混说：彻底告别手动切换模式，在中英文交替出现的复杂双语场景下依然保持精准抓取。
2. 全国方言智能畅聊：全面兼容覆盖全国多达 202 个城市的方言口音，无需预设即可顺畅转化。
3. 专业领域词汇攻克：针对医学、化学、前沿科技等日常罕见或拗口的专业名词，识别准确度实现质的飞跃。
4. 复杂声学环境全适应：无论是嘈杂背景音、低分贝耳语、极速语速还是儿童稚嫩的嗓音，其表现均全面超越同类竞品。
5. 深层语境智能理解：深度联动历史转写数据、修改痕迹及专属热词库，有效同音字与语义含混的难题。
6. 文本润色规范输出：具备强大的后期处理能力，能够自动剔除冗余语气词、补全标点符号、规范数字与计量单位，达成真正意义上的「直出成文」。

如何使用Spark-ASR-2.0

Spark-ASR-2.0 目前提供三条使用路径，分别面向普通用户体验与开发者集成。

1. 官方网页端试用：登录官方测试专区 https://iflytekresearch.iflytek.com/experience/spark-asr ，直接通过麦克风讲话或上传现成音频文件，即可当场查验极速转写成效。
2. 移动端输入法使用：前往各大手机应用市场下载并升级至最新版本的讯飞输入法，切换至语音输入面板，按住麦克风即可随时唤醒 Spark-ASR-2.0 强劲内核。
3. 开发者 API 调用：访问讯飞开发者中心专用服务页 https://www.xfyun.cn/services/spark_asr_zh_en_v2.0 ，注册专属账号并创建应用，安全获取 AppID 及 APIKey 等核心秘钥，再根据开发文档指引推送音频数据流，即可把顶尖的识别能力嵌入自有软件生态。

Spark-ASR-2.0的使用场景

1. 日常移动输入：在讯飞输入法内尽情语音打字，中英穿插、方言随性发挥，系统直出规范成文直接发送。同类体验也可以参考 秒言AI语音输入法。
2. 商务会议纪要：配合智能办公本或讯飞听见实现会议内容的高效实时转录，即便身处嘈杂会议室也能产出洁净文字底稿；如果更习惯纯在线协作，也可以看看 通义听悟 的会议转写能力。
3. 专业学术记录：针对医学讨论、化学研讨及科技讲座等专业场景中的大量生僻术语，提供高保真的准确转写服务。
4. 字幕与内容生产：为视频自动生成字幕时，模型「去冗词、补标点、规范数字单位」的成文能力可以显著减少后期校对工作量，类似需求也可以了解 字幕精灵。
5. 智能终端交互：驱动讯飞 AI 眼镜及智能翻译机等硬件设备的语音指令与对话识别模块，在微弱音量环境下依然稳定输出。
6. 企业系统集成：通过开放平台 API 向呼叫中心客服、视频字幕自动生成、办公语音录入等商业软件输送低成本、高精度的识别底层能力。

Spark-ASR-2.0的底层技术解析

• 双模协同架构：在承袭 1.0 非自回归模式能一次性并行输出整段文本、保障极高处理效率的优势之上，创新叠加了经大语言模型（LLM）加持的自回归识别机制，双剑合璧大幅推高了识别精度与语义感知力。
• 声文联合增强策略：分别从文本特征与声音信号两个维度展开深度建模与效果强化，随后进行一体化联合调优，促使模型在方言、混语及专业术语等各类通用任务中的表现焕然一新。
• 动态上下文注入技术：在语音转化的全过程中，实时织入用户的历史互动数据、历史修订轨迹及自定义热词，依托上下文语境进行智能决断，精准规避发音相似带来的识别偏误。
• 语音基座基因传承：深度根植于 Spark-Audio-1.0-Preview 大模型底座，完整继承了其应对恶劣声学环境的基因，并在此基础上针对最终成文的准确率与规范度展开全方位专项雕琢。

Spark-ASR-2.0与商汤AudioClaw对比

同为面向中文场景的语音能力提供方，讯飞 Spark-ASR-2.0 与商汤 AudioClaw 的产品思路并不相同：前者是专用语音识别底层基座大模型，后者更接近 AI 原生智能输入法与语音助理终端。

Spark-ASR-2.0的常见问题解答

Spark-ASR-2.0 和讯飞输入法是什么关系？

Spark-ASR-2.0 是底层的语音识别大模型，讯飞输入法是它的首批落地应用之一。升级到最新版讯飞输入法并切换到语音输入面板，即可调用这套识别能力，用户无需额外配置。

Spark-ASR-2.0 的推理成本高吗？

不高。官方数据显示，在识别效果大幅升级的同时，Spark-ASR-2.0 的计算推理成本相比前一代模型仅增加约 10%，这也是它能够同时用于输入法这类高频场景与开放平台 API 服务的前提。

Spark-ASR-2.0 支持哪些使用方式？

目前有三条路径：官方网页体验专区直接试用、在最新版讯飞输入法中语音打字、通过讯飞开放平台申请 AppID 与 APIKey 进行 API 集成。后续它还会陆续落地到讯飞 AI 眼镜、讯飞智能办公本、讯飞听见等产品。

Spark-ASR-2.0 首批落地应用之一：讯飞输入法的 AI 语音输入

Spark-ASR-2.0官网网址

官方体验专区：https://iflytekresearch.iflytek.com/experience/spark-asr

开发者 API 服务页：https://www.xfyun.cn/services/spark_asr_zh_en_v2.0

OpenI AI时代点评

语音识别过去几年的竞争焦点一直是「听得准」，Spark-ASR-2.0 把重心往「写得好」挪了一步：去冗词、补标点、规范数字单位，让输出直接就是可交付文本，这一步看似只是后处理，实际上决定了转写结果能不能省掉人工校对。非自回归与 LLM 增强自回归的协同，则是在速度与精度之间找平衡——推理成本只涨 10%，意味着这种精度提升是可以大规模铺开的，而不是只能停留在演示页面上。需要留意的是，专业术语、方言、儿童语音这些长尾场景的效果，最终仍要在真实使用中检验。想直接体验的用户，可以从 https://iflytekresearch.iflytek.com/experience/spark-asr 上传一段音频试试；如果你更关注会议纪要类成品，Audio Note 语音笔记 这类工具也值得一并对比。