Spark-Audio-1.0-Preview – 科大訊飛推出的語音基座大模型

Spark-Audio-1.0-Preview是什麼

Spark-Audio-1.0-Preview是科大訊飛推出的全國產語音基座大模型，採用0.65B音頻編碼器+30B-A3B MoE語言模型架構，用1300萬小時音頻及大量文本數據基於純國產算力訓練完成。模型能直接理解語音中的語義、情緒與場景，支持99種語言、202種方言識別及語音轉寫、翻譯、說話人識別、情感分析、音頻問答等任務，在高噪聲、小音量等複雜場景表現領先，可廣泛應用在客服、車載、醫療等場景。

Spark-Audio-1.0-Preview的主要功能

• 語音轉寫：將語音直接轉爲文字，支持99種語言和202種方言識別。
• 多語言翻譯：實現語音到語音/文本的跨語言翻譯，保留語氣語調等韻律信息。
• 多方言識別：覆蓋202種方言，粵語、溫州話等均能聽懂。
• 環境音識別：能同時聽懂人聲與環境背景音，理解聲音發生的場景。
• 說話人識別：自動區分誰在說話，適用於會議轉寫、紀要生成等。
• 情感分析：捕捉語音中的語氣與情緒，讓交互更”有溫度”。
• 音頻問答：基於複雜音頻內容進行理解與問答，從”聽清”走向”聽懂”。

Spark-Audio-1.0-Preview的技術原理

• 端到端語音理解架構：不同於傳統”先轉文字再交給大模型”的級聯方案，模型採用0.65B音頻編碼器搭配30B-A3B大語言模型，文本與語音雙模態直接輸入同一模型，一次性聽懂人聲、環境音、音樂及其語義、情緒和場景，避免了級聯鏈路中信息丟失和錯誤累積的問題。
• 音頻編碼器預訓練：通過音頻編碼器預訓練逐步擴展其表徵能力，再用預訓練和後訓練提升模型基礎能力、複雜場景泛化性及多任務效果，最終在高噪聲、小音量等真實複雜場景下取得優異成績。
• 全國產算力訓練：模型基於純國產算力集羣，用1300萬小時音頻和大量文本數據訓練完成，是業界首個基於全國產算力訓練的語音基座大模型，證明了國產算力可訓出業界領先水平的語音模型。
• 可微調的基座體系：類似訊飛星火大模型1+N體系，Spark-Audio作爲語音基座可進一步微調，開發出語音識別、語音同傳、語音交互等專用模型或系統，便於在各類語音業務中落地。

如何使用Spark-Audio-1.0-Preview

• 打開官方體驗頁面：訪問模型體驗地址 https://iflytekresearch.iflytek.com/experience/spark-audio 。
• 在線體驗模型能力：在頁面上輸入文本或語音，體驗語音轉寫、翻譯、方言識別、音頻問答等功能。

Spark-Audio-1.0-Preview的核心優勢

• 全國產算力訓練：業界首個基於純國產算力集羣訓練的語音基座大模型，證明國產算力可訓出業界領先水平模型。
• 端到端直接理解語音：擺脫”先轉文字再理解”的級聯方案，不丟失語氣、情緒、環境音等關鍵信息，消除鏈路割裂與延遲卡頓。
• 多語言多方言覆蓋廣：支持99種語言和202種方言識別，在同尺寸模型對比中多語言、多方言識別效果佔優。
• 複雜場景表現領先：在高噪聲、小音量等真實應用類任務上有明顯領先優勢，抗噪能力突出。
• 對標更大模型不落下風：與尺寸高一個數量級的Qwen3.5-omni-plus效果接近，Fleurs中文測試集取得SOTA，多項評測得分超過Gemini-3.1 Pro。
• 文本能力不降智：在通用知識、數學與代碼等文本任務上未出現明顯降智，克服了語音基座模型的常見難點。
• 架構高效：採用0.65B音頻編碼器+30B-A3B MoE架構，小尺寸實現接近更大閉源模型的表現。

Spark-Audio-1.0-Preview的同類競品對比

Spark-Audio-1.0-Preview的應用場景

• 智能客服：識別用戶的情緒和表達方式，讓對話更連貫、更有溫度，提升服務體驗。
• 汽車座艙：在車載嘈雜環境中準確識別駕駛員指令，支持方言交互，打造更自然的車內語音交互體驗。
• 實時翻譯與跨語言會議：進行語音同傳和多語言翻譯，同時保留語氣、語調等韻律信息，帶來更自然的跨語言交流體驗。
• 會議轉寫與紀要生成：自動區分說話人、提取關鍵決策點，並生成結構化紀要，幫助工作人員減少重複整理工作。
• 醫療電子病歷與內容審覈：通過語音完成病歷記錄與內容審覈，在醫療等專業場景中降低人工錄入負擔、提高效率。