科大讯飞正式发布最新语音识别大模型Spark-ASR-2.0

9月23日，科大讯飞正式发布最新一代语音识别大模型Spark-ASR-2.0。该模型通过非自回归与LLM增强自回归协同、中英文混合文本与声学联合增强、动态上下文注入等关键技术，实现了整体语音识别效果的大幅提升，尤其在通用识别（中英文混合、方言、专业术语）、复杂声学场景识别（高噪、小音量、快语速、儿童）、上下文识别和文本流畅规范性等方面改善明显。在效果提升的同时，Spark-ASR-2.0的推理成本相对Spark-ASR-1.0仅增加了10%。

Spark-ASR-2.0使语音识别从以前追求的一字不差还原所说内容，到现在让识别结果直接“流畅成文”，在提升识别准确率的同时，结合上下文逻辑与语境理解，精简冗余表达、精修各类细节，让文字更连贯、语义更清晰。

据了解，Spark-ASR-2.0将从9月24日开始逐步上线讯飞输入法，并且通过讯飞开放平台提供API服务，同时还开放了体验入口。

核心识别场景效果提升，复杂声学场景等表现突出

相较于Spark-ASR-1.0，Spark-ASR-2.0在语音识别各核心场景上的效果有明显进步，尤其在中英文混合、方言、高噪声、文本流畅规范性等维度上的效果实现了大幅提升，WER（词错误率）明显降低。

Spark-ASR-2.0与当前业界最好水平相比，在方言、高噪和小音量上拥有显著优势，也再次证明了在复杂声学场景上语音识别的强大实力；且主要任务效果均好于业界最优水平。

*测试集中ASR任务使用WER/CER作为评价指标，数值越低表示效果越好

在通用识别能力上，Spark-ASR-2.0 全面提升了中英文混合、方言、专业术语识别等维度的能力。面对较为复杂的中英文混合情况，Spark-ASR-2.0表现游刃有余；还支持全国 202个城市的方言免切换识别，各种方言随心说，都能精准识别；面对医学、化学、科技等领域中复杂拗口的专业术语，Spark-ASR-2.0的识别能力也显著提升，通过语音识别记录专业领域的相关讨论不在话下。

基于语音基座大模型Spark-Audio-1.0-Preview在复杂声学场景识别下高噪、小音量识别上的优势，Spark-ASR-2.0在这些场景下的表现也十分出色。

Spark-ASR-2.0 也重点升级了上下文识别能力，融合用户识别历史、修改记录及个性化热词等信息，对说话时的语境精准把握，能够有效消解语义歧义、易混淆发音、相似名词带来的识别偏差。

使用语音输入时，我们的语气词、犹豫时重复的词语、口头禅都会被忠实记录，直接发送很容易被人看出是语音识别转写而成，内容显得有些潦草。Spark-ASR-2.0 做到了“听懂”你的关键意思，直接输出符合你原意但更加流畅的内容，不再需要你手动修改润色。

同时，一句或者一段话最终完整的识别呈现，除了文字元素之外，标点、数字、符号和单位等细节的规范表达同样不可或缺。

Spark-ASR-2.0 针对这些细微、却影响文本完整性与可读性的部分进行了专项优化。结合表达规范的前提下，为识别内容合理补全标点，准确呈现数字，给出标准的转换符号与单位，让“粗犷”的识别转写结果变身为工整、连贯、正式的文本，带来全新的语音输入体验。

三大技术创新全方位提升语音识别效果

Spark-ASR-2.0延续并深化了Spark-Audio-1.0-Preview语音基座大模型的技术能力，进一步聚焦语音识别的准确性、实时性、语言理解和文本规范，形成了“非自回归识别 LLM增强自回归识别”的专用语音识别架构。

• 非自回归与LLM增强自回归协同：非自回归识别模块继承了Spark-Audio-1.0-Preview的音频表征和复杂声学场景建模能力，并通过MoE扩展、增量持续训练，提升大规模真实复杂场景下的识别鲁棒性。LLM增强自回归识别模块则进一步发挥大语言模型的语言覆盖、上下文理解和推理能力，通过投机解码判断是否需要介入、以及从何处开始自回归修正。该机制在降低平均推理时延和计算成本的同时，增强了复杂语境、长尾表达和口语化内容下的识别能力。
• 中英文混合文本与声学联合增强：针对中英文混合场景下数据匮乏的问题，Spark-ASR-2.0在文本端通过挖掘英文专有词与热词，构建大规模中英文混合文本数据，提升了大模型在中英文复杂场景下的泛化性；声学编码端通过联合文本辅助与相似音素泛化来拟合不规范发音，最终在中英文混合场景中取得了高鲁棒性效果。