Was Spark-ASR-2.0 gegenüber Version 1.0 verbessern soll

Wer eine Sprachnotiz direkt als lesbaren Text nutzen will, braucht mehr als eine möglichst wortgetreue Mitschrift. Hier setzt Spark-ASR-2.0 an: iFLYTEK stellte das Spracherkennungsmodell am 23. September 2026 vor und verspricht gegenüber Spark-ASR-1.0 sowohl weniger Erkennungsfehler als auch flüssigere Formulierungen. Die Leistungsangaben beruhen allerdings auf Unternehmensvergleichen, nicht auf unabhängig reproduzierbaren Tests. 56

Was ändert sich gegenüber Spark-ASR-1.0?

Erkennung: Laut iFLYTEK sinkt die Wortfehlerrate vor allem bei Äußerungen, in denen Chinesisch und Englisch wechseln, bei Dialekten und bei Hintergrundlärm. Verbesserungen werden außerdem für Fachbegriffe, leise oder schnell gesprochene Sprache sowie Kinderstimmen berichtet. Eine belastbare allgemeine Verbesserung der Erkennungsgenauigkeit in Prozentpunkten lässt sich aus den verfügbaren Angaben nicht ableiten. 56

Lesbarkeit: Spark-ASR-2.0 soll den Zusammenhang berücksichtigen, Wiederholungen kürzen und aus gesprochener Sprache einen zusammenhängenderen Text machen. Das ist für Entwürfe praktisch, aber nicht dasselbe wie eine wortgetreue Mitschrift. Wer den exakten Wortlaut benötigt, sollte prüfen, ob die Ausgabe gesprochene Formulierungen verändert. 57

Kosten: iFLYTEK beziffert die gesamten Inferenzkosten – also die Kosten für den Betrieb des Modells bei der Verarbeitung – auf etwa 10 % mehr als bei Spark-ASR-1.0. Daraus folgt keine belegte Erhöhung der API-Preise um 10 %. 56

Was soll die Erkennung verbessern?

Die Berichte zur Vorstellung nennen drei technische Ansätze: das Zusammenspiel nicht-autoregressiver Erkennung mit einer durch ein großes Sprachmodell ergänzten autoregressiven Verarbeitung, die gemeinsame Erweiterung chinesisch-englischer Text- und Audiodaten sowie die dynamische Einbeziehung von Kontext. iFLYTEK führt darauf Fortschritte bei Sprachwechseln, Dialekten, Fachsprache, schwierigen Aufnahmen und der Textgestaltung zurück. Wie viel jeder Ansatz einzeln beiträgt, zeigen die Berichte nicht. 5619

Bei schwierigen Aufnahmen geht es ausdrücklich um starken Lärm und leise Sprache, daneben um hohes Sprechtempo und Kinderstimmen. „Leise“ ist dabei nicht mit einer Fähigkeit zur Transkription von Stille gleichzusetzen. 56

Wie viele Dialekte unterstützt das Modell?

Eine gesicherte Zahl für Spark-ASR-2.0 gibt es in den vorliegenden Quellen nicht: Ein Bericht spricht von 38 Dialekt- und Minderheitensprachenvarianten, ein anderer von Dialekten aus 202 Städten. Eine iFLYTEK-Dokumentation nennt wiederum 202 Dialekte für einen Echtzeit-Transkriptionsdienst, ohne diese Zahl eindeutig Spark-ASR-2.0 zuzuordnen. Die Angaben lassen sich daher nicht zu einer bestätigten Modellspezifikation zusammenführen. 3617

Auch die Behauptung, das Modell übertreffe führende Konkurrenzsysteme bei Dialekten, Lärm oder leiser Sprache, ist ein berichteter Unternehmensvergleich – keine unabhängig bestätigte Rangliste. 56

Verfügbarkeit und nächste Schritte

Für die iFLYTEK Input Method, die Eingabe-App des Unternehmens, war ab dem 24. September 2026 eine schrittweise Einführung vorgesehen. Berichte nennen zudem einen API-Zugang und eine Testmöglichkeit über die iFLYTEK Open Platform. Später soll das Modell auch in KI-Brillen, digitalen Büronotizgeräten und Transkriptionsprodukten der Reihe iFLYTEK Tingjian eingesetzt werden. Diese Pläne belegen nicht, dass sämtliche Integrationen bereits verfügbar sind. 6918

Als weitere Entwicklungsziele nennt iFLYTEK das Ausblenden unbeteiligter Sprecher, das Bearbeiten erkannter Texte per Sprachbefehl und eine Darstellung der Ergebnisse, die Emotionen berücksichtigt. Ein bestätigter Veröffentlichungstermin für diese Funktionen liegt in den zitierten Berichten nicht vor. 18