SparkAudio 1.0 科大讯飞推出的星火语音基座大模型

SparkAudio 1.0是什么

SparkAudio 1.0是科大讯飞推出的星火语音基座大模型，基于全国产算力训练，围绕语音识别、同传、实时交互三大方向实现能力跃升，拓展音频理解、情绪识别、实时说话人分离、环境声理解等能力。通过半监督音频编码器、动态分段端到端建模、双范式协同解码三大创新，整体效果提升20%、响应时延降低15%、调用成本下降60%，已在讯飞办公本、输入法、翻译机、听见等产品全系上线。

SparkAudio 1.0的主要功能

• 语音识别 ：提升语音转文字的准确率与鲁棒性，是全系列语音能力的基础。
• 同传翻译 ：支持跨语言实时互译，已应用于讯飞翻译机、AI眼镜等产品。
• 实时交互 ：低延迟响应人与机器的对话，支撑输入法、办公本等交互场景。
• 音频理解 ：仅凭一段音频即可分析人物对话、背景音乐、车辆声等信息并推断场景。
• 情绪识别 ：从语音中感知说话人情绪，让交互更拟人。
• 实时说话人分离 ：区分多人对话中的不同说话人，讯飞AI录音环综合识别准确率超96%。
• 环境声理解 ：理解汽车等非语音声音，构建完整声学场景认知。

SparkAudio 1.0的技术原理

• 半监督音频编码器 ：、用大量无标注音频数据进行预训练，、通过少量有标注数据微调，缓解语音数据标注成本高、稀缺的难题，、让模型在口音、噪声等复杂条件下仍保持稳定的编码与识别能力。
• 动态分段端到端建模 ：改变传统固定切分语音的处理方式，根据语音的实际节奏与语义边界动态调整分段策略，并与识别模型端到端联合训练，避免切分错误累积，提升长语音、连续对话场景下的整体效果。
• 双范式协同解码 ：将自回归与非自回归两种解码范式的优势互补，自回归保证输出质量、非自回归压低响应延迟，二者协同使模型在效果与速度之间取得平衡。
• 全国产算力训练 ：模型全程基于国产算力完成训练，不依赖海外芯片与平台，保证语音这一关键交互能力的安全可控；同时结合端云一体架构，端侧保障即时响应，云端承担更深入的理解与推理。

如何使用SparkAudio 1.0

• 更新产品 ：将讯飞办公本、讯飞输入法、讯飞翻译机或讯飞听见升级至最新版本。
• 开启功能 ：在对应产品内启用语音输入、录音转写或同传功能，模型已在全系产品上线，无需单独安装。
• 直接使用 ：录音、翻译、交互时即自动调用SparkAudio 1.0的能力。

SparkAudio 1.0的核心优势

• 全国产算力训练 ：全程基于国产算力完成训练，语音这一关键交互能力安全自主可控。
• 效果提升20% ：围绕语音识别、同传、实时交互三大方向整体能力跃升，听懂声音的能力再上台阶。
• 响应时延降低15% ：动态分段端到端建模与双范式协同解码，让实时交互更快更流畅。
• 调用成本下降60% ：模型效率优化大幅降低使用成本，更适合大规模商用落地。

SparkAudio 1.0的同类竞品对比

对比维度 | SparkAudio 1.0（科大讯飞） | FunAudioLLM（阿里通义）

SparkAudio 1.0的应用场景

• 会议记录与办公提效 ：2小时录音2分钟转写，说话人识别准确率超96%，适用会议纪要、访谈整理，已落地讯飞办公本与听见App。
• 跨语言同传沟通 ：支持实时同传，AI眼镜可与西班牙语、英语使用者母语交流并实时翻译，适用商务洽谈、出境游、国际展会。
• 智能硬件交互 ：为机器人、AI眼镜、智慧座舱提供听清+听懂能力，-10dB强噪声下识别率仍达90.1%，支撑星火智慧座舱3.0超100项多模感知能力。
• 客服与呼叫质检 ：实时语音流识别+情绪识别，可判断客户情绪并转写对话，适用于银行、电信等客服中心与外呼质检场景。
• 无障碍与适老应用 ：语音输入、语音合成与实时转写帮助视障、听障人群沟通，可集成于辅听设备、适老终端，已随讯飞全系硬件产品上线。