Mitä Spark-ASR-2.0 parantaa edeltäjäänsä verrattuna?

iFLYTEK julkaisi Spark-ASR-2.0-puheentunnistusmallin 23.9.2026. Uudistuksen tarkoitus ei ole vain vähentää virheitä puheen muuttamisessa tekstiksi: mallin halutaan myös muokkaavan tuloksesta valmiimpaa ja helpommin luettavaa tekstiä. Julkaisun yhteydessä esitetyt suorituskykyvertailut perustuvat yhtiön tietoihin, eivät riippumattomasti toistettuun arviointiin. 56

Mikä muuttui 1.0-versiosta?

Tunnistustarkkuus: iFLYTEKin mukaan sanojen virheosuus on pienentynyt etenkin puheessa, jossa sekoittuvat kiina ja englanti, sekä murteiden ja meluisan äänen tunnistuksessa. Parannuksia kerrotaan myös erikoistermeissä, hiljaisella äänellä tai nopeasti puhutussa puheessa ja lasten äänten tunnistuksessa. Saatavilla olevista julkaisutiedoista ei kuitenkaan voi päätellä luotettavaa, koko mallia kuvaavaa prosenttiyksikkömääräistä tarkkuusparannusta. 56

Tekstin luettavuus: Malli pyrkii hyödyntämään asiayhteyttä, karsimaan toistoa ja tekemään litteroinnista yhtenäisemmän. Tämä ei ole sama tavoite kuin sanasta sanaan tehty puhtaaksikirjoitus. Jos tarvitset tarkan tallenteen esimerkiksi haastattelusta, kannattaa tarkistaa, mitä alkuperäisestä sanamuodosta on mahdollisesti siistitty pois. 57

Käyttökustannus: iFLYTEKin mukaan mallin päättelykustannus eli sen ajamisesta aiheutuva kustannus on noin 10 % suurempi kuin Spark-ASR-1.0:lla. Luku ei tarkoita, että kehittäjiltä veloitettavan API-palvelun hinnan olisi ilmoitettu nousevan 10 %. 56

Mihin luvatut parannukset perustuvat?

Julkaisutiedoissa nimetään kolme teknistä ratkaisua: ei-autoregressiivisen tunnistuksen ja suurilla kielimalleilla tehostetun autoregressiivisen käsittelyn yhteistyö, kiinan- ja englanninkielisen tekstin sekä äänen yhteinen aineistolaajennus ja asiayhteyden dynaaminen syöttäminen mallille. iFLYTEK liittää näihin paremmat tulokset muun muassa kielten vuorottelussa, murteissa, ammattisanastossa, vaikeissa ääniolosuhteissa ja tekstin muotoilussa. Tiedoista ei selviä, kuinka suuri osuus kustakin parannuksesta johtuu yksittäisestä tekniikasta. 5619

Vaikeilla ääniolosuhteilla tarkoitetaan tässä erityisesti voimakasta taustamelua ja hiljaisella äänellä puhuttua puhetta; esiin nostetaan myös nopea puhe ja lasten äänet. Hiljaisen puheen tunnistus ei tarkoita, että malli voisi litteroida äänettömän tallenteen. 56

Kuinka monta kiinalaista murretta malli tukee?

Spark-ASR-2.0:n murretuesta ei ole saatavilla yhtä varmistettua lukua. Yksi julkaisu puhuu 38 murre- ja vähemmistökielivariantista, toinen 202 kaupungin murteiden tunnistuksesta. Lisäksi iFLYTEKin dokumentaatiossa mainitaan 202 murretta reaaliaikaisen litterointipalvelun yhteydessä, mutta siitä ei käy ilmi, koskeeko luku juuri Spark-ASR-2.0:aa. Lukuja ei siksi pidä yhdistää mallin vahvistetuksi tekniseksi määritykseksi. 3617

Myös väitteet siitä, että malli olisi alan parhaita järjestelmiä parempi murteiden, melun tai hiljaisen puheen tunnistuksessa, ovat yhtiön vertailuihin perustuvia väitteitä – eivät riippumattomasti vahvistettuja sijoituksia. 56

Milloin sitä pääsee käyttämään?

Spark-ASR-2.0:n vaiheittaisen käyttöönoton iFLYTEK Input Method -syöttösovelluksessa oli määrä alkaa 24.9.2026. Julkaisutiedoissa kerrotaan myös kehittäjille tarkoitetusta API-rajapinnasta ja kokeilumahdollisuudesta iFLYTEK Open Platform -alustalla. Myöhemmin mallia on tarkoitus hyödyntää yhtiön tekoälylaseissa, älykkäissä toimistomuistikirjoissa ja iFLYTEK Tingjian -litterointituotteissa. Suunnitelmat eivät vielä vahvista, että kaikki nämä integraatiot olisivat käytössä. 6918

Seuraaviksi kehityskohteiksi iFLYTEK on nimennyt muiden kuin halutun puhujan puheen sivuuttamisen, tunnistetun tekstin muokkaamisen äänikomennoilla ja tunnetilan huomioimisen tulosten esitystavassa. Näille ominaisuuksille ei ole ilmoitettu vahvistettua julkaisupäivää. 18