Chinas KI-Sprachrennen heizt sich auf: iFlytek stellt SparkAudio 1.0 vor
Das chinesische KI-Unternehmen iFlytek nutzte am Donnerstag sein jährliches 1024 Developer Festival, um SparkAudio 1.0 vorzustellen, ein Sprach-Grundlagenmodell, das das Unternehmen als ersten Baustein seines Sprachtechnologie-Stacks beschreibt. Das Modell vereint maschinelle Übersetzung, Spracherkennung und semantisches Verständnis in einem einzigen System, anstatt separate Werkzeuge für jede Aufgabe zusammenzusetzen.
In einer Demonstration, die auf einem Filmausschnitt basierte, unterschied das Modell Stimmen von Hintergrundgeräuschen, identifizierte das Geschlecht der Sprecher und traf präzise Aussagen über die Szene. iFlytek zufolge beherrscht das System Echtzeit-Sprechertrennung, Umgebungsverständnis, Audioverständnis und Emotionserkennung. Für internationale Leser ist das Angebot klar: ein einziges Modell, das ein Gespräch mithören, analysieren und übersetzen kann, während es sich entfaltet – relevant für Callcenter, Live-Untertitelung, grenzüberschreitende Meetings und Sprachassistenten, die derzeit von mehreren getrennten Engines abhängen.
Der Sprachstart ging mit der Veröffentlichung von Spark X2.6 einher, einem End-Cloud-Großmodell auf Basis einer Mixture-of-Experts-Architektur mit 293 Milliarden Parametern, 30 Milliarden aktiven Parametern und einem Kontextfenster von einer Million Token. iFlytek gibt an, dass das Upgrade auf Coding- und Agentenfähigkeiten abzielt und das Modell vollständig auf heimischer Rechenhardware trainiert wurde. Das Unternehmen stellte außerdem ein Open-Source-On-Device-Modell vor, das KI lokal auf Smartphones und anderen Geräten ausführen soll.
Der breitere Kontext ist ein überfüllter chinesischer Markt für KI-Assistenten und Sprachschnittstellen. Anthropics Claude Duet, eine eigenständige mobile App, die E-Mails und Kalender überwacht und mit Nutzergenehmigung Bestellungen aufgeben kann, hat als westliches Beispiel für den persönlichen Agenten Aufmerksamkeit erregt. Chinesische Entwickler eilen, vergleichbare Produkte zu bauen, und Sprache ist für sie eine der natürlichsten Schnittstellen, da das Tippen auf dem Smartphone langsam bleibt und viele Nutzer bereits per Sprache mit Geräten interagieren.
Die Betonung von Emotion und Umgebungsverständnis bei SparkAudio 1.0 deutet an, wohin der Wettbewerb führt. Zu erkennen, was gesagt wird, reicht nicht mehr aus; Systeme werden danach beurteilt, ob sie sagen können, wer spricht, wie er sich fühlt und was um ihn herum geschieht. Das ist dieselbe Fähigkeitsgruppe, die Forscher humanoider Robotik unter dem Banner der physischen KI verfolgen, wo Maschinen gesprochene Befehle in lauten Umgebungen der realen Welt interpretieren müssen.
Die Behauptung von iFlytek, auf heimischen Chips trainiert zu haben, passt auch zu einem breiteren Muster in Chinas KI-Industrie, in der Unternehmen bestrebt sind, die Abhängigkeit von ausländischer Hardware zu verringern. Das Unternehmen machte keine detaillierten Benchmark-Vergleiche bekannt, und unabhängige Bewertungen von SparkAudio 1.0 stehen noch aus. Die reale Leistung des Modells in lauten Callcentern, bei regionalen Akzenten und gemischtsprachigen Gesprächen wird entscheiden, ob der integrierte Ansatz sein Versprechen einlöst.
Klar ist das Tempo. Innerhalb einer einzigen Entwicklerveranstaltung kündigte iFlytek ein Sprach-Grundlagenmodell, ein bedeutendes Sprachmodell-Upgrade und ein Open-Source-Edge-Modell an – ein Zeichen dafür, dass chinesische KI-Firmen Produkte über den gesamten Stack hinweg ausliefern, statt sich auf ein einziges Flaggschiff zu konzentrieren. Für Entwickler stellt sich die Frage, ob diese Teile gut genug zusammenpassen, um darauf aufzubauen. Für Nutzer wird der Test leiser ausfallen: ob der Sprachassistent am anderen Ende endlich so klingt, als würde er verstehen.