Spark-Audio-1.0-Preview 科大讯飞推出的语音基座大模型

Spark-Audio-1.0-Preview是什么

Spark-Audio-1.0-Preview是科大讯飞推出的全国产语音基座大模型，采用0.65B音频编码器+30B-A3B MoE语言模型架构，用1300万小时音频及大量文本数据基于纯国产算力训练完成。模型能直接理解语音中的语义、情绪与场景，支持99种语言、202种方言识别及语音转写、翻译、说话人识别、情感分析、音频问答等任务，在高噪声、小音量等复杂场景表现领先，可广泛应用在客服、车载、医疗等场景。

Spark-Audio-1.0-Preview的主要功能

• 语音转写 ：将语音直接转为文字，支持99种语言和202种方言识别。
• 多语言翻译 ：实现语音到语音/文本的跨语言翻译，保留语气语调等韵律信息。
• 多方言识别 ：覆盖202种方言，粤语、温州话等均能听懂。
• 环境音识别 ：能同时听懂人声与环境背景音，理解声音发生的场景。
• 说话人识别 ：自动区分谁在说话，适用于会议转写、纪要生成等。
• 情感分析 ：捕捉语音中的语气与情绪，让交互更有温度。
• 音频问答 ：基于复杂音频内容进行理解与问答，从听清走向听懂。

Spark-Audio-1.0-Preview的技术原理

• 端到端语音理解架构 ：不同于传统先转文字再交给大模型的级联方案，模型采用0.65B音频编码器搭配30B-A3B大语言模型，文本与语音双模态直接输入同一模型，一次性听懂人声、环境音、音乐及其语义、情绪和场景，避免了级联链路中信息丢失和错误累积的问题。
• 音频编码器预训练 ：通过音频编码器预训练逐步扩展其表征能力，再用预训练和后训练提升模型基础能力、复杂场景泛化性及多任务效果，最终在高噪声、小音量等真实复杂场景下取得优异成绩。
• 全国产算力训练 ：模型基于纯国产算力集群，用1300万小时音频和大量文本数据训练完成，是业界首个基于全国产算力训练的语音基座大模型，证明了国产算力可训出业界领先水平的语音模型。
• 可微调的基座体系 ：类似讯飞星火大模型1+N体系，Spark-Audio作为语音基座可进一步微调，开发出语音识别、语音同传、语音交互等专用模型或系统，便于在各类语音业务中落地。

如何使用Spark-Audio-1.0-Preview

• 打开官方体验页面 ：访问模型体验地址 https://iflytekresearch.iflytek.com/experience/spark-audio 。
• 在线体验模型能力 ：在页面上输入文本或语音，体验语音转写、翻译、方言识别、音频问答等功能。

Spark-Audio-1.0-Preview的核心优势

• 全国产算力训练 ：业界首个基于纯国产算力集群训练的语音基座大模型，证明国产算力可训出业界领先水平模型。
• 端到端直接理解语音 ：摆脱先转文字再理解的级联方案，不丢失语气、情绪、环境音等关键信息，消除链路割裂与延迟卡顿。
• 多语言多方言覆盖广 ：支持99种语言和202种方言识别，在同尺寸模型对比中多语言、多方言识别效果占优。
• 复杂场景表现领先 ：在高噪声、小音量等真实应用类任务上有明显领先优势，抗噪能力突出。
• 对标更大模型不落下风 ：与尺寸高一个数量级的Qwen3.5-omni-plus效果接近，Fleurs中文测试集取得SOTA，多项评测得分超过Gemini-3.1 Pro。
• 文本能力不降智 ：在通用知识、数学与代码等文本任务上未出现明显降智，克服了语音基座模型的常见难点。
• 架构高效 ：采用0.65B音频编码器+30B-A3B MoE架构，小尺寸实现接近更大闭源模型的表现。

Spark-Audio-1.0-Preview的同类竞品对比

对比维度 | Spark-Audio-1.0-Preview | Qwen3.5-Omni-Flash

Spark-Audio-1.0-Preview的应用场景

• 智能客服 ：识别用户的情绪和表达方式，让对话更连贯、更有温度，提升服务体验。
• 汽车座舱 ：在车载嘈杂环境中准确识别驾驶员指令，支持方言交互，打造更自然的车内语音交互体验。
• 实时翻译与跨语言会议 ：进行语音同传和多语言翻译，同时保留语气、语调等韵律信息，带来更自然的跨语言交流体验。
• 会议转写与纪要生成 ：自动区分说话人、提取关键决策点，并生成结构化纪要，帮助工作人员减少重复整理工作。
• 医疗电子病历与内容审核 ：通过语音完成病历记录与内容审核，在医疗等专业场景中降低人工录入负担、提高效率。