iFlytek（科大訊飛）は本日午後のグローバル1024開発者フェスティバルで、Spark ファミリー初の音声基盤を正式にお披露目しました——星火音声基盤大規模モデル SparkAudio1.0 です。このモデルは、機械翻訳、音声認識、意味理解といった能力をひとつのモデルに統合し、基礎的な音声能力を全体的に一段引き上げました。
公式デモでは、SparkAudio1.0 が映画のワンシーンを通じて、その「耳」がいかに鋭いかを披露しました。音声の内容、背景、話者の性別を正確に判別できるだけでなく、シーンについても的確な判断を下します。公式によれば、リアルタイム話者分離、環境理解、音声理解、感情認識のすべてにおいて「卓越した性能」を発揮しており、人工知能を現実の物理世界での応用へ一歩前進させています。
この新しい基盤は、すでに iFlytek の複数の製品に搭載されています。訊飛入力法 16.0、訊飛聴見、訊飛オフィスノート、訊飛翻訳機に全面搭載され、中国語と英語の自由な切り替えと話者のリアルタイム識別に対応しています——つまり、話しながら2つの言語を行き来したり、近くに何人かが順番に話したりしても、しっかり追従し、区別できるというわけです。
関連ハードウェアも同時に発表されました。iFlytek（科大訊飛）は「訊飛 AI レコードリング」を発表しました。4+1リングマイクアレイを搭載し、Wi-Fi6 伝送に対応。総合認識精度が96%を超えると謳っており、2時間の録音の文字起こしがわずか2分で完了するとしています。