Spark-ASR-2.0 : ce qui change par rapport à la version 1.0

La nouveauté de Spark-ASR-2.0 ne tient pas seulement à la reconnaissance des mots : iFLYTEK veut aussi transformer la parole en un texte directement plus agréable à lire. Présenté le 23 septembre 2026, le modèle succède à Spark-ASR-1.0. Les gains rapportés lors de son lancement proviennent toutefois des comparaisons de l’entreprise, sans évaluation indépendante reproductible dans les éléments disponibles. 56

Qu’apporte la version 2.0 ?

Moins d’erreurs, selon iFLYTEK. L’entreprise fait état d’une baisse du taux d’erreur sur les mots, surtout lorsque les locuteurs mêlent chinois et anglais, parlent un dialecte ou s’expriment dans le bruit. Elle signale aussi des progrès sur les termes spécialisés, les voix peu audibles, la parole rapide et celle des enfants. Aucun gain global fiable, exprimé en points de pourcentage, ne peut être établi à partir des comptes rendus disponibles. 56

Un texte plus fluide. En s’appuyant sur le contexte, le modèle doit supprimer certaines redondances et rendre la transcription plus cohérente. C’est utile si l’on cherche un texte prêt à relire, mais différent d’une restitution mot pour mot : pour un compte rendu qui exige une fidélité stricte aux propos tenus, il faudra vérifier le résultat. 57

Un coût de calcul plus élevé. iFLYTEK chiffre à environ 10 % la hausse du coût d’inférence par rapport à Spark-ASR-1.0. Il s’agit du coût annoncé pour faire fonctionner le modèle, pas d’une augmentation publiée de 10 % du tarif de l’API. 56

Comment ces progrès sont-ils expliqués ?

Les comptes rendus du lancement citent trois approches : la combinaison d’une reconnaissance non autorégressive avec un traitement autorégressif renforcé par un grand modèle de langage, l’enrichissement conjoint des données textuelles et audio en chinois et en anglais, et l’injection dynamique de contexte. iFLYTEK les associe à une meilleure gestion des changements de langue, des dialectes, du vocabulaire technique et des conditions acoustiques difficiles. Leur contribution respective n’est pas quantifiée. 5619

Les cas évoqués comprennent un bruit important et une voix de faible volume, ainsi qu’un débit rapide et la parole des enfants. Une voix faible ne signifie pas un son absent. 56

Combien de dialectes sont pris en charge ?

Le chiffre n’est pas clairement établi pour Spark-ASR-2.0. Un article mentionne 38 variantes dialectales et de langues minoritaires ; un autre parle de dialectes de 202 villes. La documentation d’iFLYTEK annonce par ailleurs 202 dialectes pour un service de transcription en temps réel, sans démontrer que ce nombre s’applique à Spark-ASR-2.0. Ces chiffres ne doivent donc pas être présentés comme une spécification vérifiée du modèle. 3617

De même, les affirmations selon lesquelles il dépasserait les meilleurs systèmes du marché pour les dialectes, le bruit ou les voix faibles restent des comparaisons rapportées par l’entreprise, et non des classements établis indépendamment. 56

Disponibilité et prochaines étapes

Un déploiement progressif dans iFLYTEK Input Method, le clavier de saisie de l’entreprise, était prévu à partir du 24 septembre 2026. Les comptes rendus font aussi état d’un accès par API et d’un point d’essai sur la plateforme ouverte d’iFLYTEK. Des intégrations ultérieures sont annoncées pour ses lunettes à intelligence artificielle, ses carnets de bureau intelligents et ses produits de transcription Tingjian ; cela ne signifie pas que toutes sont déjà disponibles. 6918

iFLYTEK cite enfin trois pistes d’amélioration : ignorer les personnes qui ne sont pas le locuteur visé, modifier le texte reconnu par commande vocale et présenter les résultats en tenant compte de l’émotion. Aucune date de lancement vérifiée n’est fournie pour ces fonctions. 18