全国产算力语音识别大模型实测：能听懂上下文了

智东西9月24日报道，科大讯飞推出最新语音识别大模型Spark-ASR-2.0，基于讯飞语音基座大模型Spark-Audio-1.0-Preview构建，重点提升通用识别、复杂声学场景识别、上下文识别和文本流畅规范性。两款模型均基于全国产算力训练。

目前多数语音识别模型在日常使用中基本能准确转写，但在嘈杂环境、中英文混合输入或专业会议转录时，仍可能出现错字、漏字，语气词、重复和临时改口也常需二次整理。智东西围绕四个方向对Spark-ASR-2.0展开实测，结果显示其整体识别表现稳定，能通过上下文修正歧义表达，减少口头语和重复内容，使转写结果更接近可直接使用的文本。

该模型已陆续上线讯飞输入法，并通过讯飞开放平台提供API服务，后续还将应用于讯飞AI眼镜、智能办公本和讯飞听见等产品。

通用识别方面，Spark-ASR-2.0支持全国202种方言免切换识别，河南话测试中几乎瞬间完成正确识别。中英文混合场景下，一段包含RISC-V、TPU、VISA等英文缩写和芯片术语的业务介绍被完整识别，专业词汇无出错。复杂声学场景中，地铁噪音下模型能区分环境声与说话声，识别出“一号线”“东单”等关键信息；悄悄话测试中，压低音量使用气声说话仍可准确识别完整内容。

上下文识别方面，模型能根据后文“山峰的峰”判断“张三峰”的正确写法，也能结合后文解释将易混淆的“灵”和“苓”调整为正确文字。文本流畅性方面，面对停顿、重复、改口，模型能删去冗余内容，将会议时间修正为“8点半”，邮箱按正确格式输出；加入日期、取件码、快递单号等信息后，均准确识别且输出规整，可直接使用。

Spark-ASR-2.0的升级建立在讯飞语音大模型持续演进基础上。9月16日，科大讯飞推出基于全国产算力训练的语音基座大模型Spark-Audio-1.0-Preview，支持语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析及复杂音频问答等任务。Spark-ASR-2.0基于该底座打造，聚焦准确性、实时性、语言理解和文本规范。

去年1024开发者节首发的非自回归语音识别大模型Spark-ASR-1.0，实现推理效率大幅提升，效果相对提升16%，推理成本下降84%。官方测试显示，Spark-ASR-2.0在核心场景效果较Spark-ASR-1.0进步明显，绝大多数场景WER低于业界最优水平，方言、高噪和小音量场景表现最突出。

为解决识别效果、响应速度与推理成本的平衡问题，Spark-ASR-2.0延续非自回归识别能力，同时融合LLM增强的自回归识别能力：先由非自回归模块快速生成整段识别结果，再通过投机解码判断需结合上下文修正的内容及起点，避免全文重新解码，整体推理成本较Spark-ASR-1.0仅增加10%。针对中英文混合数据匮乏问题，模型通过补充英文专有词与热词形成混合文本数据，结合语音特征和发音相似性联合训练。上下文识别方面引入动态上下文注入机制，结合当前语音、个性化热词和用户历史修改，从万级热词库筛选候选词，基本不增加响应时延。

科大讯飞长期深耕智能语音技术，曾连续六届获语音识别国际权威赛事CHiME冠军。2024年，其作为第一完成单位的“多语种智能语音关键技术及产业化”项目获国家科学技术进步奖一等奖。从推出语音基座模型到发布语音识别大模型，讯飞持续推动语音技术应用落地。