讯飞星火语音基座大模型正式上线

科大讯飞宣布，Spark-Audio-1.0-Preview 正式上线并开放体验，API 后续将在讯飞开放平台推出。这是一款语音基座大模型，最受关注的两点是：它基于纯国产算力集群训练完成，并且在同一个模型内同时接受文本与语音两个模态的输入。

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。这种做法的短板有两条。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、语音翻译等能力被拆成独立模块串联运行，模块之间存在断点，容易累积错误，体验上也会出现延迟与卡顿。语音基座大模型不再只做语音转文字，而是一次性听懂人声、环境音、音乐等内容，并理解声音里的语义、情绪和场景。

从结构上看，Spark-Audio-1.0-Preview 采用0.65B的音频编码器（Dense 结构），搭配30B-A3B的大语言模型（MoE 结构），训练数据包含1300万小时音频以及大量文本数据，全部基于国产算力集群完成。单一模型即可支持语音转写、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。与讯飞星火大模型的1加N体系类似，开发者也可以在语音基座大模型上做微调，衍生出语音识别、语音同传、语音交互等专用模型或系统。

官方称，该模型在各项语音评测任务上效果整体相当、部分超过，尤其在复杂场景下的高噪声、小声说等偏真实应用类任务上明显领先；与尺寸更大的闭源语音基座模型相比，表现也十分接近。模型支持99种语言及202种方言的识别。在多项任务中，与同尺寸的 Qwen3.5-omni-flash（35B-A3B）相比，它在多语言、多方言语音识别的平均效果上占优；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中，其得分高于 Gemini-3.1 Pro，并在 Fleurs 中文测试集中取得 SOTA。

讯飞也坦言，此次发布的版本在通用知识、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与追赶空间，下一步将在巩固优势的同时补齐短板。对于希望基于语音能力做二次开发的团队而言，这款可直接读懂语音的基座模型，为语音识别、同传与实时交互类应用提供了一条新的技术路径。