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。
据了解，该模型延续并深化了Spark-Audio-1.0-Preview语音基座大模型的技术能力，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；与当前业界最好水平相比在主要任务上的效果均好于业界最优水平。在效果提升的同时，Spark-ASR-2.0的推理成本相对前一代模型仅增加了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。
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，后续将陆续应用在讯飞AI眼镜、讯飞智能办公本、讯飞听见等产品上。
科大讯飞表示，未来还将重点关注语音识别三个方向的体验提升：一是无关说话人拒识，能在多人交谈和复杂噪声中精准锁定目标用户；二是语音内容编辑，基于对语音语义的理解，可通过语音指令对识别内容进行灵活修改；三是情感化结果呈现，结合情感表征和用户的情感表达，在标点、措辞、语气和格式等方面输出更贴合用户当前态度的识别结果。
