Hva er forbedret i iFLYTEK Spark-ASR-2.0?

iFLYTEK lanserte talegjenkjenningsmodellen Spark-ASR-2.0 23. september 2026. Ambisjonen er ikke bare å gjengi tale mer presist enn Spark-ASR-1.0, men også å levere tekst som er lettere å lese. Ytelsestallene og sammenligningene i lanseringsomtalen bygger på selskapets egne opplysninger, ikke på en uavhengig test som kan etterprøves. 56

Hva er forskjellen fra 1.0?

Færre feil: iFLYTEK melder om lavere ordfeilrate, særlig når folk veksler mellom kinesisk og engelsk, bruker dialekter eller snakker i støyende omgivelser. Selskapet trekker også frem faguttrykk, lav stemmestyrke, rask tale og barnestemmer. Det tilgjengelige materialet gir ikke grunnlag for å fastslå hvor stor den samlede forbedringen i treffsikkerhet er. 56

Mer bearbeidet tekst: Spark-ASR-2.0 skal bruke sammenhengen i det som sies til å rydde bort overflødige formuleringer og gjøre resultatet mer sammenhengende. Det kan være nyttig når målet er en lesbar tekst, men er noe annet enn en ordrett transkripsjon. Trenger du en nøyaktig gjengivelse av det som ble sagt, bør du kontrollere hvordan modellen behandler den muntlige ordlyden. 57

Høyere kjørekostnad: Ifølge iFLYTEK er den samlede kostnaden ved å kjøre modellen rundt 10 prosent høyere enn for Spark-ASR-1.0. Det er ikke det samme som en dokumentert prisøkning på 10 prosent for API-kunder. 56

Hvordan skal modellen håndtere vanskelig tale?

Lanseringsomtalen peker på tre tekniske grep: samspill mellom ikke-autoregressiv talegjenkjenning og autoregressiv behandling styrket av store språkmodeller, felles forbedring av tekst- og lyddata for kinesisk–engelsk tale, og dynamisk tilførsel av kontekst. iFLYTEK knytter den samlede løsningen til bedre håndtering av språkveksling, dialekter, fagterminologi, krevende lyd og tekstutforming. Materialet viser ikke hvor mye hvert enkelt grep bidrar til hver forbedring. 5619

De krevende lydtilfellene som omtales, omfatter mye støy og tale med lav stemmestyrke, i tillegg til rask tale og barnestemmer. Lav stemmestyrke betyr ikke at modellen kan transkribere lyd som er helt stille. 56

Hvor mange dialekter støttes?

Det finnes ikke et godt dokumentert dialekttall for Spark-ASR-2.0. Én omtale oppgir 38 dialekt- og minoritetsspråkvarianter, mens en annen beskriver gjenkjenning av dialekter fra 202 byer. iFLYTEKs dokumentasjon nevner dessuten 202 dialekter for en tjeneste for sanntidstranskripsjon, uten å slå fast at tallet gjelder Spark-ASR-2.0. Tallene bør derfor ikke leses som en bekreftet spesifikasjon for modellen. 3617

Påstander om at modellen slår bransjens beste systemer på dialekter, støy eller tale med lav stemmestyrke, er også selskapets sammenligninger – ikke uavhengig fastslåtte rangeringer. 56

Tilgang nå og planer videre

En gradvis utrulling i iFLYTEKs inntastingsapp var planlagt fra 24. september 2026. Omtalen beskriver også API-tilgang og en mulighet til å prøve modellen via iFLYTEKs åpne utviklerplattform. AI-briller, smarte kontornotatbøker og selskapets Tingjian-produkter for transkripsjon er nevnt som senere bruksområder; det betyr ikke at alle integrasjonene allerede er tilgjengelige. 6918

Videre vil iFLYTEK arbeide med å avvise tale fra uvedkommende personer, la brukere redigere gjenkjent tekst med talekommandoer og presentere resultater med hensyn til følelsesuttrykk. Det er ikke oppgitt noen bekreftet lanseringsdato for disse funksjonene. 18