Am 24. Oktober 2026 ist SparkAudio 1.0, iFlyteks Sprach-Basismodell der Spark-Reihe, nach dem Zeitplan live gegangen, der auf dem 1024 Developers Festival am 22. Oktober angekündigt wurde. Die Updates werden an das iFlytek AINOTE X5 und Air3 ausgerollt, und das Modell wurde vollständig mit inländischer Rechenleistung trainiert. Die wichtigste Änderung dieser Version ist nicht, dass sie deutlicher hört, sondern dass sie zu unterscheiden beginnt, wer spricht.
Die Änderung betrifft die Zuordnung, nicht die Hörbarkeit
Die Meeting-Transkription hat bisher zwei Probleme gelöst: Audio zu bewahren und Audio in Text zu verwandeln. Die neue Echtzeit-Sprechertrennung von SparkAudio 1.0 geht einen Schritt weiter: Während der Transkription werden Stimmen zunächst nach Personen getrennt und als Sprecher 1 und Sprecher 2 markiert, und sobald ein Name eingetragen wird, wird das Stimmmerkmal dieser Person gespeichert, sodass ihr Name beim nächsten Meeting direkt im Protokoll erscheint statt einer Nummer. Auch die Reihenfolge kehrt sich um: Es ist nicht mehr nötig, alle Teilnehmenden vor dem Meeting zum Registrieren ihrer Stimme zu rufen. Das System erkennt Personen, während das Meeting läuft, und Namen können nachträglich ergänzt werden, sodass kurzfristig hinzugefügte Plätze und Nachzügler weit seltener übersehen werden.
Zwei harte Probleme: überschneidende Rede und Fachbegriffe
Echte Meetings verlaufen selten der Reihe nach. Zwei Personen, die gleichzeitig sprechen, oder jemand, der einspringt, bevor der andere fertig ist, sind normal. Gewöhnliche Transkription neigt dazu, solche Passagen zu einem einzigen Strom zu vermischen oder die sich überschneidenden Sekunden einfach wegzulassen. Die Trennung nach Sprechern geht umgekehrt vor: Zuerst wird festgestellt, wie viele Stimmen es gibt und wem sie gehören, dann wird jeder Satz der richtigen Person zugeordnet, sodass klar ist, wer begonnen hat, wer übernommen hat und welcher Halbsatz eine Unterbrechung war. Das andere harte Problem ist gemischte Sprache: Chinesisch und Englisch im Wechsel, Fachbegriffe, die laut ausgesprochen werden, bei denen ein einziges falsches Zeichen die Bedeutung verändern kann. iFlyteks Ansatz erlaubt es, Begriffe vor dem Meeting handschriftlich zu korrigieren und in Stapeln zu importieren; korrigierte Formulierungen bleiben erhalten und werden beim nächsten Mal als Kontext wiederverwendet, denn die Wörter richtig zu erkennen, ist die Voraussetzung dafür, die Personen richtig zu erkennen.
Wer zuerst profitiert
Zuerst profitieren Meetings, deren Protokolle sofort nach dem Ende nutzbar sein müssen: formelle Meetings, Review-Runden und Diskussionen, bei denen später nachvollzogen werden muss, wer einen bestimmten Vorschlag ursprünglich gemacht hat. Da die Zuordnung in dem Moment entsteht, in dem das Protokoll erstellt wird, entfällt die zeilenweise Nachprüfung nach dem Meeting. Die Grenze sollte aber klar benannt werden: Die bisher öffentlichen Informationen stammen hauptsächlich aus der Festival-Präsentation und der Demo, und echte Meetingräume unterscheiden sich bei Lärm, Akzenten und der Heftigkeit von Überschneidungen, sodass die tatsächlichen Ergebnisse nach dem Update beurteilt werden müssen. Für Nutzer ist der Test einfach: Nach dem nächsten Meeting das Protokoll öffnen und zuerst prüfen, ob die sich überschneidenden Sekunden den richtigen Personen zugeordnet wurden.
