9 月 23 日，科大讯飞正式发布最新一代语音识别大模型 Spark-ASR-2.0。官方称，该模型在保持高识别准确率的基础上，重点优化了文本的流畅性与规范性，实现了从"还原内容"到"流畅成文"的跨越；将从明天开始逐步上线讯飞输入法，并通过讯飞开放平台提供 API 服务，随后陆续落地到讯飞 AI 眼镜、智能办公本、讯飞听见等产品。
[1][2]nut graf：语音识别是中文 AI 市场里少有的"护城河型"赛道，而这次发布的技术路线值得注意——Spark-ASR-2.0 不是简单堆参数，而是用"非自回归与 LLM 增强自回归协同"把识别的两个目标拆开处理：非自回归负责快、LLM 增强负责懂。它的卖点也从"字准"挪到了"成文"，加上推理成本仅增约 10%（媒体转引官方口径），这套组合更像是在为"语音进入每个设备"的规模化铺路，而不是再打一轮准确率榜单。
落到产品上，发布节奏相当密：明天起逐步上线讯飞输入法，开放平台 API 同步提供，之后 AI 眼镜、智能办公本、讯飞听见等硬件与 SaaS 业务陆续接入。这意味着 Spark-ASR-2.0 从第一天就是多端产品矩阵的底座，而不是单一 demo。技术面，它延续了 Spark-Audio-1.0-Preview 语音基座大模型的能力，关键技术点包括中英文混合文本与声学联合增强、动态上下文注入，覆盖通用识别（中英混合、方言、专业术语）与复杂声学场景（高噪声等）两条主线。对开发者而言更实质的变化是 API 与 SDK 通道：讯飞开放平台的语音听写、语音识别大模型服务一直是中文生态最常用的转写通道之一，新模型的"流畅成文"能力如果稳定，最直接的受益者是会议转写、字幕生成、客服质检这类下游应用。
口径上要区分两层：识别准确率的具体数字、推理成本"仅增 10%"均来自厂商发布口径，尚未见独立第三方在统一语料上复测；"流畅成文"是主观质量的提升，其评估标准（人工评分还是自动指标）官方未在发布信息中给出细则。把视角放回行业：过去两年语音识别被大模型的"端到端"叙事盖过，但中文场景的方言、术语、噪声、口语化问题始终是准确率的真实战场。Spark-ASR-2.0 的价值不在于它又刷新了某个榜单，而在于它证明了"识别"和"理解"可以在一条模型链上分层协作——这可能是语音交互从"能用"走向"好用"的又一步。
[1][2]