科大讯飞发布全国产语音基座大模型

科大讯飞正式发布语音基座大模型 Spark-Audio-1.0-Preview。这款模型最受关注的一个标签是“全国产”：它基于全国产化算力训练完成，从底层算力环节入手，把供应链风险挡在了门外，也为语音大模型的自主可控提供了一条可落地的技术路径。

从模态设计上看，Spark-Audio-1.0-Preview 支持文本和语音两种模态的输入，并以文本模态输出。这种“多模态进、文本出”的结构，决定了它能够承接的任务类型相当宽泛，而不是局限于单一场景。

具体而言，语音转写、多语言翻译、多方言识别是这款模型的基本功；在此之上，它还覆盖环境音识别、说话人识别、情感分析以及复杂的音频问答。也就是说，模型要处理的不仅是“话说了什么”，还包括“谁在说”“怎么说的”“周围发生了什么”。

在覆盖面这项硬指标上，Spark-Audio-1.0-Preview 一口气支持99种语言和202种方言的识别。多语言与多方言的双重覆盖，意味着同一套基座模型可以面向差异极大的语言环境提供服务，而不必为每种语言单独定制一套系统。

讯飞将这一能力跃迁总结为智能语音从“听清”到“听懂”的升级。过去机器追求的是把声波准确地转写成文字，评判标准集中在字准率；现在模型需要进一步分辨说话人的身份、语调中携带的情绪，以及背景里存在的声音信息。这背后是语音技术评价维度的整体扩展，从单一的转写准确度，走向对音频内容的综合理解。

这类综合理解能力，直接对应一批真实场景。跨语言会议与交流需要翻译与说话人区分同时在线；方言地区的语音服务需要模型听得懂本地口音；客服与内容审核场景则往往需要结合情绪判断与环境音信息；而音频问答能力，则让模型可以直接对一段录音给出结论性回答，而不只是提供一份转写稿。

从开发者生态的角度看，语音基座模型的价值很大程度上取决于接入门槛。目前 Spark-Audio-1.0-Preview 已正式开放体验，API 后续将上线讯飞开放平台。对于希望把语音理解能力嵌入自有应用的开发者而言，这意味着一条从体验到集成的路径正在被打通。

整体来看，Spark-Audio-1.0-Preview 释放了两个方向上的信号：一是全国产化算力训练在语音大模型规模上已经具备可行性；二是语音模型的能力边界正在从转写工具向音频理解平台迁移。随着 API 上线，这套能力将接受真实业务场景的检验。