Spark-ASR-2.0 promete transcrições mais claras, com custo de processamento 10% maior

A iFLYTEK lançou o Spark-ASR-2.0 em 23 de setembro de 2026 com uma proposta que vai além de converter voz em palavras: entregar uma transcrição que já se pareça com um texto pronto para leitura. Na comparação com o Spark-ASR-1.0, a empresa relata menos erros de reconhecimento e melhor fluidez, mas os resultados divulgados não constituem uma avaliação independente e reproduzível. 56

O que melhora em relação ao Spark-ASR-1.0?

Segundo a iFLYTEK, a taxa de erro por palavra caiu sobretudo em gravações com chinês e inglês misturados, dialetos e ruído. A empresa também aponta avanços no reconhecimento de termos técnicos, fala em volume baixo ou em ritmo acelerado e vozes de crianças. Os relatos de lançamento não permitem calcular um ganho geral confiável de precisão em pontos percentuais. 56

A outra mudança é no tipo de resultado. O modelo usa o contexto para reduzir redundâncias e tornar o texto mais coeso. Isso pode ser útil para quem quer uma transcrição fácil de ler, mas não equivale necessariamente a um registro palavra por palavra. Se a formulação exata do que foi dito importa, vale conferir o áudio e verificar como o sistema tratou repetições e outras marcas da fala. 57

Há ainda uma diferença de custo: a iFLYTEK afirma que o custo de inferência — o custo de executar o modelo — é cerca de 10% maior que o do Spark-ASR-1.0. O número não deve ser interpretado como um aumento anunciado de 10% no preço cobrado pelo uso da API. 56

Como a empresa explica os ganhos?

Os relatos do lançamento citam três abordagens: a combinação de reconhecimento não autorregressivo com processamento autorregressivo apoiado por um grande modelo de linguagem; o aprimoramento conjunto de texto e áudio em chinês e inglês; e a inserção dinâmica de contexto. A iFLYTEK associa esse conjunto ao desempenho com alternância entre idiomas, dialetos, vocabulário especializado e condições acústicas difíceis, além da apresentação do texto. Os dados disponíveis não mostram quanto cada técnica contribui para cada melhora. 5619

Entre as condições difíceis citadas estão ruído elevado e fala em volume baixo, além de fala rápida e vozes infantis. Volume baixo não significa ausência de áudio: não há alegação fundamentada de que o modelo transcreva silêncio. 56

Quantos dialetos ele reconhece?

Não há um número consolidado para o Spark-ASR-2.0. Uma reportagem menciona 38 variantes de dialetos e línguas minoritárias; outra fala no reconhecimento de dialetos de 202 cidades. Em separado, a documentação da iFLYTEK anuncia suporte a 202 dialetos em um serviço de transcrição em tempo real, sem estabelecer que essa especificação se aplica ao Spark-ASR-2.0. São descrições diferentes, que não devem ser reunidas em uma única contagem verificada para o modelo. 3617

Também devem ser lidas como comparações divulgadas pela empresa, e não como rankings independentes, as afirmações de que o Spark-ASR-2.0 supera os melhores sistemas do setor com dialetos, ruído ou fala em volume baixo. 56

Onde o modelo estará disponível?

A chegada gradual ao iFLYTEK Input Method, aplicativo de digitação da empresa, estava prevista para começar em 24 de setembro de 2026. Os relatos também descrevem acesso por API e uma opção para experimentar o modelo na plataforma aberta da iFLYTEK. Integrações com óculos de IA, dispositivos inteligentes para escritório e produtos de transcrição iFLYTEK Tingjian foram anunciadas para depois; isso não confirma que todas já estejam disponíveis. 6918

Para as próximas etapas, a iFLYTEK aponta três objetivos: ignorar a fala de pessoas que não sejam o usuário-alvo, permitir a edição do texto reconhecido por comandos de voz e apresentar resultados levando em conta a emoção na fala. Não há data de lançamento verificada para essas funções nos relatos citados. 18