Vad är nytt i iFLYTEK Spark-ASR-2.0 jämfört med 1.0?

iFLYTEK lanserade taligenkänningsmodellen Spark-ASR-2.0 den 23 september 2026. Ambitionen är inte bara att återge tal mer korrekt än Spark-ASR-1.0, utan också att leverera text som är lättare att läsa direkt. De redovisade förbättringarna bygger dock på företagets uppgifter; tillgängliga lanseringsrapporter ger inte underlag för en oberoende jämförelse som går att upprepa. 56

Färre fel – och mindre ordagrann text

iFLYTEK uppger att ordfelsfrekvensen har sjunkit, särskilt för tal där kinesiska och engelska blandas, kinesiska dialekter och ljud med mycket bakgrundsbuller. Företaget lyfter även fram facktermer, lågmält eller snabbt tal och barns röster. Däremot finns ingen tillförlitligt fastställd siffra för hur mycket träffsäkerheten har ökat totalt jämfört med 1.0. 56

Den andra förändringen gäller själva utskriften. Spark-ASR-2.0 ska använda sammanhanget för att stryka överflödiga formuleringar och göra texten mer sammanhängande. Det kan vara praktiskt när målet är en läsbar text, men är något annat än en strikt ordagrann transkribering. Den som behöver dokumentera exakt vad som sades bör därför kontrollera hur modellen behandlar talspråket. 57

Förbättringarna har enligt iFLYTEK ett pris på systemsidan: inferenskostnaden är cirka 10 procent högre än för Spark-ASR-1.0. Det avser kostnaden för att köra modellen, inte en publicerad höjning av API-priset med 10 procent. 56

Vad ligger bakom förbättringarna?

Lanseringsrapporterna beskriver tre tekniska grepp: samspel mellan icke-autoregressiv igenkänning och autoregressiv bearbetning förstärkt med en stor språkmodell, gemensam förstärkning av kinesisk–engelsk text och ljud samt dynamisk tillförsel av kontext. iFLYTEK kopplar kombinationen till bättre hantering av språkväxling, dialekter, fackord, svåra ljudmiljöer och textens utformning. Det framgår inte hur stor del av varje förbättring som kan tillskrivas en enskild teknik. 5619

Med svåra ljudförhållanden avses bland annat mycket bakgrundsbuller och lågmält tal. Rapporterna nämner också snabbt tal och barns röster. Lågmält tal är inte detsamma som tyst ljud. 56

Hur många dialekter omfattas?

Här saknas en säker siffra för just Spark-ASR-2.0. En rapport nämner 38 dialekt- och minoritetsspråksvarianter, medan en annan beskriver igenkänning av dialekter från 202 städer. iFLYTEKs dokumentation anger dessutom 202 dialekter för en tjänst för transkribering i realtid, utan att slå fast att siffran gäller Spark-ASR-2.0. Det är olika uppgifter, inte en verifierad modellspecifikation. 3617

Påståenden om att modellen överträffar branschens bästa system för dialekter, buller eller lågmält tal bör också läsas som företagets jämförelser, inte som oberoende fastställda placeringar. 56

Tillgång och nästa steg

En stegvis utrullning i iFLYTEKs inmatningsapp var planerad att börja den 24 september 2026. Rapporterna beskriver även API-åtkomst och en möjlighet att prova modellen via företagets öppna utvecklarplattform. AI-glasögon, smarta anteckningsenheter för kontorsbruk och transkriberingsprodukter under namnet iFLYTEK Tingjian nämns som senare användningsområden – inte som bekräftat färdiga integrationer. 6918

iFLYTEK pekar dessutom ut tre mål för fortsatt utveckling: att bortse från ovidkommande talare, låta användaren redigera igenkänd text med röstkommandon och anpassa hur resultatet presenteras efter känslouttryck. Något verifierat lanseringsdatum för de funktionerna anges inte. 18