科大讯飞发布Spark-ASR-2.0语音大模型

科大讯飞正式发布全新一代语音识别大模型 Spark-ASR-2.0，这是其在语音交互与智能硬件落地方向上的又一次关键升级。与以往偏重单点能力的语音模型不同，Spark-ASR-2.0 被定位为可同时支撑软件产品与硬件终端的声学基础能力，它的发布也意味着语音识别正在从独立功能模块，走向贯穿多产品的底层能力。

按照官方公布的上线节奏，Spark-ASR-2.0 将于发布次日、也就是9月24日起在讯飞输入法中逐步上线。作为用户量庞大的输入工具，输入法是最直接的语音识别验证场，日常口述、长句听写、中英文混说等复杂场景，都会成为模型的真实测试环境。与此同时，该模型通过讯飞开放平台面向开发者与企业客户全面提供 API 服务，外部团队可以直接调用这一能力，将其嵌入自有应用与企业工作流中。

在硬件与产品侧，Spark-ASR-2.0 还将陆续在讯飞 AI 眼镜、讯飞智能办公本、讯飞听见等核心软硬件业务中深度落地。这几类产品对语音的要求差异明显：眼镜强调近场拾音与低功耗，办公本偏重会议记录与长文本整理，讯飞听见则聚焦录音转写与多说话人场景。同一模型在多元场景中复用，考验的是它在不同声学环境与算力约束下的适配能力。

从技术路线看，科大讯飞此前上线的语音基座大模型 Spark-Audio-1.0-Preview 已基于国产化算力训练，并指向传统音频处理级联方案的固有短板：先转文字再理解的两段式流程，一方面会丢失语气、情绪与背景环境音等信息，另一方面造成语音转写、声纹识别等环节相互割裂，影响场景判断的完整性。声学大模型的思路是把音频理解作为整体来处理，Spark-ASR-2.0 正是这一方向上的迭代产物。

值得注意的是，语音识别只是科大讯飞大模型矩阵中的一环。其星火 X2.5 大模型采用 MoE 架构，总参数规模293B、激活参数30B，重点提升代码与智能体能力，并增强数学、理解等通用能力，基于国产算力完成训练推理，已上线讯飞开放平台；端侧 4B 与 1.7B 模型已先行开源，原生支持最长100万 Token 上下文，面向车载、智能硬件及万物互联等端侧场景。语音模型、通用模型与端侧模型协同，构成了从云端到终端的完整能力拼图，而后续更大规模的主力通用大模型也已在规划之中。

对开发者而言，Spark-ASR-2.0 通过开放平台提供 API，意味着语音能力可以以较低门槛接入各类应用与智能硬件；对硬件厂商而言，模型在自有产品线中的落地则提供了可参考的工程样本。随着端到端声学大模型持续演进，语音识别与音频理解的边界还将进一步延伸，语音入口的价值也有望被重新定义。