2026年10月24日、iFlytek の Spark 音声基盤モデル SparkAudio 1.0 が、10月22日の 1024 開発者フェスティバルで発表された予定どおり公開され、iFlytek 办公本 X5 と Air3 へのアップデートが始まった。モデルは国産の計算資源で学習されている。この版で最も重要な変化は、よりはっきり聞き取れることではなく、誰が話しているかを区別し始めたことだ。
変化は「聞き取り」ではなく「帰属」にある
これまでの会議文字起こしが解決してきたのは、音声を残すことと、音声を文字にすることの 2 つだった。SparkAudio 1.0 の新しいリアルタイム話者分離は、もう一歩先へ進む。文字起こしの際、まず音声を話者ごとに分け、話者 1、話者 2 と表示し、名前を入力すればその人の声の特徴が記憶される。次の会議でその人が話せば、記録には番号ではなく名前がそのまま現れる。手順も逆転した。会議前に参加者を一人ずつ呼んで声を登録する必要はない。会議中に認識し、あとから名前を補えばよく、急な追加席や途中参加の人も見落としにくくなった。
2 つの難所：発言の重なりと専門用語
実際の会議が順番に発言することはまれだ。2 人が同時に話したり、1 人が話し終わる前に別の人が割り込んだりするのは日常的だ。通常の文字起こしでは、こうした部分が 1 本の流れに混ざってしまったり、重なった数秒がそのまま捨てられたりする。話者ごとに分ける方法は逆だ。まず声が何系統あり、誰のものかを判断し、それから一文ずつ正しい人に割り振る。誰が話し始め、誰が引き継ぎ、どの半文が割り込みだったかが、それぞれの人に結びつく。もう 1 つの難所は言語の混在だ。中国語と英語が入り混じり、業界用語がそのまま読まれる場面では、1 文字の誤りが意味を変えてしまう。iFlytek の方法では、用語を会議前に手書きで修正したり、一括で取り込んだりでき、修正された表現は残って次回も文脈として使われる。言葉を正しく認めることが、人を正しく認める前提になるからだ。
まず誰が使うのか
最初に恩恵を受けるのは、散会直後から記録をそのまま使いたい場面だ。正式な会議、審査会、「あの案は当初誰が提案したのか」をあとからたどる必要のある議論である。記録が作られる瞬間に署名が付くため、散会後の逐語チェックは不要になる。ただし境界もはっきりさせておきたい。いま公開されている情報は、主に開発者フェスティバルでの発表とデモに基づくもので、実際の会議室では雑音、なまり、発言の重なりの激しさがそれぞれ異なるため、実際の効果はアップデート後の体験で判断すべきだ。ユーザーにとっての判断基準は単純だ。次の会議が終わったら記録を開き、まず重なった数十秒が正しい人に振り分けられているかを確認することだ。
