鲸云网9月16日消息，据媒体报道，科大讯飞今日上线 Spark-Audio-1.0-Preview 语音基座大模型，这是业界首个基于全国产化算力训练的语音基座模型。它不再把语音简单转成文字再理解，而是直接“听懂”人声、环境音与音乐里的语义、情绪和场景，把机器从“听清”推向“听懂”，支持 99 种语言与 202 种方言的识别。
过去大模型处理音频多用级联方案——先语音转文字，再交给文本大模型理解。这种把能力拆成独立模块串联的做法有两个短板：文字只记下了“说了什么”，却丢掉了语气、情绪和背景环境音，模型对场景的判断并不完整；语音转写、声纹识别、语音翻译各跑各的，模块之间存在断点，不仅容易累积错误，体验上也会出现延迟和卡顿。Spark-Audio-1.0-Preview 用 0.65B 的 Dense 音频编码器，搭配 30B-A3B 的 MoE 大语言模型，喂入 1300 万小时音频和大量文本数据，在华为昇腾 910B、海光 BW1000 等国产芯片集群上完成全流程训练，是地道的国产语音基座大模型。
同一模型里可同时输入文本和语音两个模态，覆盖语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析和复杂音频问答。官方评测显示，它和同尺寸的 Qwen3.5-omni-flash（35B-A3B）相比，在多语言、多方言识别上平均占优；和体量高一个数量级的 Qwen3.5-omni-plus 效果接近；在 Fleurs 中文测试集拿到 SOTA，整体得分高于 Gemini-3.1 Pro，尤其在高噪声、小音量这类贴近真实使用的复杂场景下领先明显。值得留意的是，训练数据量只有同尺寸模型的十分之一，却跑出了相当甚至更好的结果，也说明“小激活撬动大能力”正成为国产多模态模型的共同路线——这与云知声 U2-Flash、DeepSeek V4.1 Flash 等用 MoE 稀疏激活压低推理成本的产品思路一脉相承。把语音当成一等模态而非文本的前置步骤，也呼应了这两年从 GPT-4o 到国产各家“全模态”模型的演进方向：模型不再拆分听、说、看多个子系统，而是在一个网络里统一处理多模态信号。
落地层面，语音基座能把语气、韵律这些容易被丢掉的信息保留下来，给客服、汽车座舱、机器人带来更有温度的互动，也能让跨语言会议的同传更顺滑，并帮医疗电子病历、会议转写系统自动区分说话人、提取关键决策点。讯飞也坦诚，这一版在通用知识、数学和代码任务上没有明显“降智”，但指令遵循、对话和音频理解仍有追赶空间，API 将后续上线开放平台。对普通开发者而言，现在就能在体验入口试用，想做语音识别、语音同传或语音交互的专用系统，也可以像星火“1+N”体系那样在基座上微调。至于它能否直接取代专业录音笔或同传设备，短期看更现实的角色是作为底层能力嵌入既有产品，而非单独顶替硬件。
编辑：华磊
免责声明：本站转载的文章，版权归原作者所有；旨在传递信息，不代表本站的观点和立场。
