Spark-ASR-2.0: Nhận diện giọng nói tốt hơn hay chỉ chỉnh câu chữ hay hơn?

iFLYTEK ra mắt Spark-ASR-2.0 ngày 23/9/2026. Điểm nhấn so với Spark-ASR-1.0 không chỉ là nhận đúng lời nói, mà còn biến kết quả thành đoạn văn liền mạch, dễ đọc hơn. Tuy nhiên, các mức cải thiện được đưa tin hiện là công bố của hãng, chưa phải kết quả từ một phép đánh giá độc lập có thể tái lập. 56

Bản 2.0 cải thiện những gì?

• Ít lỗi nhận dạng hơn, theo iFLYTEK: Hãng cho biết tỷ lệ lỗi từ (word error rate, WER) giảm, nổi bật ở lời nói xen tiếng Trung–Anh, phương ngữ và môi trường nhiều tiếng ồn. Các trường hợp được nêu thêm gồm thuật ngữ chuyên môn, giọng nói nhỏ hoặc nhanh và giọng trẻ em. Thông tin ra mắt chưa đủ để xác định một mức tăng độ chính xác chung đáng tin cậy tính theo điểm phần trăm. 56
• Bản chép lời dễ đọc hơn: Mô hình được thiết kế để dựa vào ngữ cảnh, lược bớt cách nói rườm rà và làm câu chữ mạch lạc hơn. Điều này hữu ích nếu cần văn bản để đọc hoặc biên tập, nhưng khác với chép nguyên văn. Với biên bản cần giữ chính xác từng lời nói, người dùng nên kiểm tra bản ghi đầu ra. 57
• Chi phí suy luận tăng khoảng 10%: Đây là mức iFLYTEK công bố khi so với Spark-ASR-1.0. Chi phí suy luận là chi phí vận hành mô hình, không đồng nghĩa hãng đã công bố tăng giá API 10%. 56

Công nghệ nào đứng sau các cải thiện được công bố?

Theo thông tin ra mắt, Spark-ASR-2.0 kết hợp nhận dạng phi tự hồi quy với xử lý tự hồi quy được mô hình ngôn ngữ lớn (LLM) hỗ trợ; tăng cường kết hợp dữ liệu văn bản và âm thanh Trung–Anh; đồng thời bổ sung ngữ cảnh một cách linh hoạt. iFLYTEK gắn các cách tiếp cận này với khả năng xử lý lời nói chuyển qua lại giữa hai ngôn ngữ, phương ngữ, thuật ngữ và điều kiện âm thanh phức tạp, cũng như cách trình bày văn bản. Các nguồn hiện có không tách riêng mức đóng góp của từng kỹ thuật. 5619

Những điều kiện âm thanh khó được nêu cụ thể là nhiều tiếng ồn và giọng nói nhỏ, bên cạnh nói nhanh và giọng trẻ em. “Giọng nói nhỏ” không có nghĩa mô hình có thể chép lời từ âm thanh im lặng. 56

Rốt cuộc mô hình hỗ trợ bao nhiêu phương ngữ?

Chưa có một con số được xác lập rõ cho riêng Spark-ASR-2.0. Một bài viết nói mô hình bao phủ 38 biến thể phương ngữ và ngôn ngữ dân tộc thiểu số; bài khác mô tả khả năng nhận dạng phương ngữ từ 202 thành phố. Trong khi đó, tài liệu iFLYTEK quảng bá 202 phương ngữ cho một dịch vụ chép lời thời gian thực, nhưng không xác nhận con số ấy áp dụng cho Spark-ASR-2.0. Không nên gộp ba cách mô tả này thành một thông số đã được kiểm chứng. 3617

Tương tự, nhận định rằng mô hình vượt các hệ thống tốt nhất trong ngành ở bài toán phương ngữ, tiếng ồn hay giọng nói nhỏ là so sánh do hãng đưa ra, chưa phải thứ hạng được xác lập độc lập. 56

Khi nào dùng được và iFLYTEK dự định làm gì tiếp?

Spark-ASR-2.0 dự kiến bắt đầu được triển khai dần từ ngày 24/9/2026 trong iFLYTEK Input Method, tức ứng dụng bàn phím nhập liệu của hãng. Các nguồn cũng đề cập quyền truy cập qua API và một cổng dùng thử trên nền tảng mở iFLYTEK. Việc tích hợp vào kính AI, sổ ghi chép văn phòng thông minh và các sản phẩm chép lời iFLYTEK Tingjian được nêu là kế hoạch tiếp theo, không có nghĩa mọi sản phẩm đã hỗ trợ mô hình. 6918

Về trải nghiệm tương lai, iFLYTEK nêu ba hướng: bỏ qua lời nói của người không liên quan, cho phép sửa văn bản đã nhận dạng bằng lệnh thoại và trình bày kết quả có xét đến cảm xúc. Chưa có ngày phát hành được xác nhận cho các khả năng này. 18