Spark-ASR-2.0 是科大讯飞于 2026 年 9 月 23 日发布的语音识别大模型，基于星火语音基座 Spark-Audio-1.0-Preview 构建，采用非自回归与 LLM 增强自回归协同架构，支持 202 个城市方言免切换与中英文混合识别，整体推理成本相对上一代仅增 10%。
关键技术
- 非自回归与 LLM 增强自回归协同，并行一次性输出文本序列，兼顾推理效率与识别准确率。
- 中英文混合文本与声学联合增强，针对文本层与声学层分别建模后联合优化。
- 动态上下文注入，实时融合历史识别内容、修改记录与个性化热词，消解同音与语义歧义。
- 全国产算力，语音基座与识别模型均基于国产芯片训练，隐私与安全可控。
识别能力
通用识别
中英文混说场景无需切换语言，202 个城市方言免切换直接转写，医学、化学、科技等专业术语识别显著增强，正文可输出更工整连贯的正式文本。
复杂声学场景
高噪声、小音量、快语速、儿童语音等场景表现优于业界最优水平，WER 明显下降，可在嘈杂会议、弱音量设备上稳定工作。
上下文识别与成文
融合识别历史、修改记录与热词动态消歧，自动精简冗余、去口头禅、补标点、规范数字符号单位，直接输出工整的正式内容，节省二次整理成本。
与竞品的区别
| 对比维度 | 讯飞 Spark-ASR-2.0 | 商汤 AudioClaw |
|---|---|---|
| 产品定位 | 语音识别底座大模型 | AI 原生智能输入法应用 |
| 架构 | 非自回归加 LLM 增强自回归 | 自研 ASR 加多模态语义优化 |
| 方言支持 | 202 城方言免切换 | 部分方言与多语种互译 |
| 上下文 | 动态注入历史与热词 | 专属知识库跨问答检索 |
| 落地渠道 | 讯飞输入法、API、AI 眼镜 | 客户端即装即用 |
对比表可见，Spark-ASR-2.0 是更底层的语音识别底座，开放平台面向全量开发者与企业提供 API，可当作识别能力接入自有产品。与 github.com 上 MIT 协议的开源语音识别项目 Whisper 相比，讯飞方案的优势在 202 城方言免切换与国产算力，落地到输入法等原生场景链路更完整。
接入与落地
模型自 9 月 24 日起在讯飞输入法逐步上线，同步通过讯飞开放平台开放 API，产品页地址 xfyun.cn/services/spark_asr_zh_en_v2.0，在线体验入口 iflytekresearch.iflytek.com/experience/spark-asr。后续计划落地 AI 眼镜、智能办公本与讯飞听见等终端场景，降低顶级语音能力的接入门槛。
从模型价值看，对个人用户，讯飞输入法把识别能力封装进语音打字，中英混说、方言随口说都能直接出字；对企业用户，开放平台 API 覆盖客服语音转写、字幕生成、会议记录等场景，推理成本相对上一代仅增 10%，为大规模调用提供低成本的识别底座。
常见问题
问，Spark-ASR-2.0 是什么？
科大讯飞发布的语音识别大模型，2026 年 9 月 23 日上线，支持 202 城方言免切换与中英文混合识别，成本相对上一代仅增 10%。
问，如何体验 Spark-ASR-2.0？
讯飞输入法即可体验，在线体验入口 iflytekresearch.iflytek.com/experience/spark-asr，开发者可走开放平台 API 接入。
问，和上一代及 Whisper 的区别是什么？
相比上一代，采用非自回归与 LLM 增强自回归协同，方言、高噪、小音量等场景优于业界最优水平；相比开源 Whisper，方言免切换与国产算力更贴合国内场景。
问，接入讯飞开放平台收费吗？
讯飞输入法内语音识别免费开放，开放平台 API 按调用量计费，推理成本相对上一代仅增 10%。
最后更新 2026 年 9 月 25 日，本文信息 v2026.9.25。作者 Alex Chen。
本文来源，讯飞开放平台《语音听写大模型（中英）V2.0》https://www.xfyun.cn/services/spark_asr_zh_en_v2.0。
