9月17日消息，科大讯飞宣布Spark-Audio-1.0-Preview上线，这是一款基于全国产化算力训练的语音基座大模型。
据介绍，过去大模型处理音频大多采用级联方案：先把语音转成文字，再交给大模型理解。这种做法存在两个明显短板：一是信息丢失，文字只能记录“说了什么”，会丢掉语音里自带的语气、情绪以及背景环境音等关键信息，导致模型对场景的判断不完整；二是链路割裂，语音转写、声纹识别、语音翻译等能力拆成独立模块串联运行，模块之间存在断点，不仅容易累积错误，使用体验上也会出现延迟、卡顿。
语音基座大模型则解决了这些问题：不再只做语音转文字，而是直接理解语音，一次性听懂人声、环境音、音乐等，并理解声音里的语义、情绪和场景。
架构方面，Spark-Audio-1.0-Preview采用0.65B（Dense结构）的音频编码器，搭配30B-A3B（MoE结构）的大语言模型，使用1300万小时音频及大量文本数据，基于纯国产算力集群训练完成。它在同一个模型中可输入文本和语音两个模态，支持语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析以及复杂的音频问答等任务，让机器从“听清”进一步走向“听懂”。
能力表现方面，Spark-Audio-1.0-Preview支持99种语言及202种方言的识别：与同尺寸的Qwen3.5-omni-flash（35B-A3B）相比，在多语言、多方言语音识别上平均效果占优；与尺寸高一个数量级的Qwen3.5-omni-plus效果接近。在Fleurs、Kespeech、LibriSpeech等中英文、多语言、多方言语音识别评测任务中，得分高于Gemini-3.1 Pro；Fleurs-中文测试集中取得SOTA。在复杂场景高噪声、小音量等真实应用类任务上，也有较为明显的领先优势。
官方同时坦承，此次发布的模型在通用知识、数学与代码等任务上没有出现明显降智，但在指令遵循、对话、音频理解等任务上仍有进步追赶空间。与讯飞星火大模型的1+N体系类似，该模型支持微调，开发者可在此基础上开发语音识别、语音同传、语音交互等专用模型或系统落地相关语音业务。
微信扫一扫 
支付宝扫一扫 