Spark-ASR-2.0 – 科大讯飞推出的语音识别大模型

Spark-ASR-2.0是一款由科大讯飞于2026年9月推出的语音识别大模型，主要用于中英文混合、方言与专业术语场景下的语音转文字，支持中英及202种方言免切换识别与文本流畅规范化输出，适用于语音输入、会议记录与智能终端等方向。

Spark-ASR-2.0 的核心能力

Spark-ASR-2.0 的定位是语音识别的底层底座能力，而不是单纯提升字准率的迭代版本。它沿用 Spark-ASR-1.0 的非自回归范式，同时引入 LLM 增强的自回归识别，在保证推理效率的前提下提升语言理解能力，把识别目标从「把声音转成字」推进到「输出可直接使用的文本」。对于需要把语音接入自有系统的团队，这类底座能力的功能边界与 AI 模型 的整体迭代节奏一致，属于基础设施层的更新。

中英文混合与方言免切换识别

在同一段话里中英文混说、专业名词夹杂口语的场景下，模型无需用户手动切换语种即可完成识别，支持中英及202种方言免切换输入。相较需要预先指定语言的识别方案，这一能力减少了移动端输入与口述记录时的操作步骤，对南方口音与方言口述的转写准确率提升更为直接。

复杂声学场景的高鲁棒性识别

针对高噪声、小音量、快语速以及儿童语音等长期困扰语音输入的场景，Spark-ASR-2.0 做了专项优化，官方称在复杂声学场景下的识别效果优于当前业界最优水平。这类场景对应的是地铁、车内、多人会议与户外等真实使用环境，也是语音输入法在移动端最容易失准的地方。

上下文与个性化热词识别

模型在识别过程中动态注入用户的历史识别内容、修改记录与自定义热词，结合上下句语境判断易混淆的同音词与相似名词。对于医学、化学、科技等术语密集的领域，以及包含大量人名、机构名的办公场景，这一层上下文消歧能明显降低后编辑成本。与之配套的是同属星火体系的 星火X2.5 大模型能力，可承接识别之后的语义处理环节。

文本流畅规范化输出

除识别本身，模型还会自动精简冗余表达、去除口头禅、补全标点，并规范数字、符号与单位写法，直接输出结构完整的正式文本。对会议记录、访谈整理与字幕生成等场景而言，这意味着转写结果从「半成品」变为「初稿」，可减少一轮人工整理。

多终端与生态衔接

Spark-ASR-2.0 已在讯飞输入法上线，并通过讯飞开放平台提供 API 服务，后续将逐步落地讯飞 AI 眼镜、智能办公本与讯飞听见等终端产品。对终端厂商与软件开发者而言，这意味着同一套识别能力可以在移动端、硬件与云端服务之间复用，降低多端接入的适配成本。官方同时说明，该模型与语音基座 Spark-Audio-1.0-Preview 均基于全国产算力训练。

Spark-ASR-2.0 与同类语音识别模型的对比

下表从开发方、模型定位与关键能力维度，对比几款常见的语音识别方案。

上表 Spark-ASR-2.0 一列取自科大讯飞官方发布材料，FunASR 与 OpenAI Whisper 两列取自各自官方文档与开源仓库说明。三者的路线差异集中在交付形态：Spark-ASR-2.0 采用云端接口与终端集成，FunASR 与 Whisper 以开源权重为主、需要自行部署，选择哪一类取决于团队对数据本地化与运维成本的取舍。

如果需要先了解语音转写类工具在会议与协作场景中的成熟形态，可以参考 Otter.ai（面向会议记录的自动转写与摘要工具，与 Spark-ASR-2.0 同属语音转文字方向，差异在于 Otter.ai 提供的是成品应用而非底层模型）。

Otter.ai

AI会议记录和实时转录

Spark-ASR-2.0 的应用场景与适用人群

作为语音识别底座能力，它的典型用途包括：

• 语音输入与移动办公：在讯飞输入法中长按说话即可调用，适合通勤、会议与户外等需要快速成文的场景。
• 会议记录与访谈整理：多人会议、访谈与录音素材可自动转写并规范化文本，减少人工整理时间。
• 专业领域口述：医学、化学、科技等术语密集的科室与研发岗位，可借助热词与上下文消歧提升准确率。
• 智能终端语音交互：面向 AI 眼镜、智能办公本、讯飞听见等终端产品，为设备提供实时识别能力。

适用人群：需要把语音转文字接入自有业务的产品与研发团队、重度使用语音输入的移动办公用户，以及医疗、法律、媒体等对术语准确率与文本规范度要求较高的从业者。

Spark-ASR-2.0 的使用方法

目前提供在线体验、输入法与 API 三种接入方式，可按需选择：

1. 在线体验：打开科大讯飞 Spark-ASR-2.0 官方体验页，直接说话或上传音频即可查看识别结果。
2. 使用输入法：安装最新版讯飞输入法，在输入界面点击麦克风图标，长按说话即可使用该模型识别。
3. 准备接入：开发者登录讯飞开放平台，创建应用并获取 AppID 与 APIKey 等鉴权信息。
4. 调用接口：按接口文档传入音频流，即可在自有应用中集成识别能力。

接入前建议先明确音频格式与采样率要求，并用真实业务语料做一轮小样本验证，确认术语与专有名词的识别效果后再上量。

Spark-ASR-2.0 的价格与开源情况

Spark-ASR-2.0 通过讯飞开放平台按调用量计费，具体单价以官方开放平台的实时报价为准；官方开放平台页显示，新用户可获赠一定量级的免费服务量额度，个人用户安装最新版讯飞输入法即可免费使用其识别能力，官方体验页也提供在线免费试用。

Spark-ASR-2.0 目前为闭源模型，不提供权重下载，能力通过开放平台接口与讯飞自有终端产品交付。相比开源方案，它的优势在于免去部署与运维，代价是数据需要经过云端处理，对数据合规要求严格的团队应先在开放平台核对数据条款。

Spark-ASR-2.0 的常见问题