Spark-ASR-2.0は従来版から何が進化したのか

iFLYTEK（科大訊飛）が2026年9月23日に発表した「Spark-ASR-2.0」は、音声を文字にするだけでなく、読める文章として整えることを重視した音声認識モデルだ。従来のSpark-ASR-1.0からの改善幅や他社製品との優劣は、現時点では主に同社の説明に基づく。56

1.0との違いは、認識精度と文章の仕上がり

同社は、中国語と英語が混ざる発話、方言、専門用語、騒音下の音声などで、単語誤り率（WER）が低下したと説明する。小さな声、早口、子どもの声についても改善を挙げている。ただし、全体の認識精度が何ポイント上がったかを示す、確かな共通指標は確認できない。ここでいう「小さな声」は音量の低い発話を指し、無音を文字起こしできるという意味ではない。56

もう一つの違いは、文脈を踏まえて冗長な表現を整理し、文字起こしを自然な文章に近づける点だ。一方、発言を一語一句残すこととは目的が異なる。逐語的な記録が必要なら、言い直しや言葉遣いが出力でどう扱われるか確認したい。57

推論コストは、モデルを動かす費用が1.0より約10％高いという同社の説明だ。利用者向けのAPI料金が10％値上がりするとの発表ではない。56

改善を支える技術と、方言対応数の注意点

発表報道が挙げる技術は、非自己回帰型の認識と大規模言語モデル（LLM）で強化した自己回帰型処理の連携、中国語・英語が混ざるテキストと音声の共同拡張、文脈情報の動的な取り込みだ。ただし、どの技術が個々の改善にどれだけ寄与したかまでは示されていない。5619

方言の対応数も慎重に読む必要がある。ある報道は「方言・少数民族言語の変種38種」、別の報道は「202都市の方言」に言及する。一方、iFLYTEKの資料にある「202種の方言」はリアルタイム文字起こしサービスについての記載で、Spark-ASR-2.0自体の仕様と確認できるものではない。これらを合わせて同モデルの確定的な対応数とみなすことはできない。3617

方言や騒音下、小さな声の認識で業界最高水準を上回るという評価も、同社による比較として報じられたものだ。独立した検証済みの順位ではない。56

提供予定と、次に目指す機能

中国向けの「訊飛入力法」には2026年9月24日から段階的に導入する予定とされ、iFLYTEKの開発者向けプラットフォームではAPIと試用窓口が案内されている。AIグラス、スマートオフィスノート、文字起こし製品「訊飛聴見」への展開も計画されているが、すべてで導入が完了したことを意味しない。6918

今後の開発目標には、対象外の話者の発話を認識対象から外すこと、音声指示による認識結果の編集、感情に配慮した結果表示が挙げられている。これらの機能について、確認できる提供日は示されていない。18