科大讯飞发布 Spark-Audio-1.0-Preview：基于纯国产算力的语音基座大模型

科大讯飞正式推出 Spark-Audio-1.0-Preview，一款依托全国产算力集群完成训练的语音基座大模型。它跳出传统“语音转文字再交给大模型”的级联方案，实现对音频信号的直接理解。

传统语音方案的两大痛点

过往音频处理大多采用串联链路：语音先转写文本，再送入大模型处理。

1. 信息丢失：文字只能保留话语内容，丢失语气、情绪、背景环境音，模型无法完整感知场景；
2. 链路割裂：语音转写、声纹识别、翻译拆成独立模块，错误逐层累积，同时带来延迟、卡顿问题。

语音基座模型则直接对原始音频进行理解，一次性识别人声、环境音、音乐，同时捕捉语义、情绪与场景信息。

模型架构与训练数据

Spark-Audio-1.0-Preview 采用0.65B参数量的Dense音频编码器，搭配30B-A3B MoE结构大语言模型；训练数据包含1300万小时音频以及海量文本，全程基于国产算力集群训练。

模型支持文本、语音双模态输入，单模型覆盖语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析、音频问答等任务，推动AI从“听清声音”升级为“听懂声音”。

评测表现

• 支持99种语言 + 202种方言识别；多语言、多方言识别能力优于同规模Qwen3.5-omni-flash，和更大规格的Qwen3.5-omni-plus效果接近。
• 在Fleurs、Kespeech、LibriSpeech等评测集，多项语音识别指标优于Gemini-3.1 Pro；Fleurs中文测试集取得SOTA成绩。
• 高噪声、低音量这类贴近真实使用的复杂场景，模型优势明显；整体性能对标更大体量闭源语音基座模型。
• 通用知识、数学、代码能力没有明显下降，但指令遵循、对话、音频理解仍有优化空间。

和星火1+N体系思路一致，该基座模型支持微调，可衍生语音识别、同声传译、语音交互等专用模型，落地各类语音业务。

评测指标说明：ASR语音识别用WER/CER，数值越低越好；S2TT语音翻译采用BLEU；其余任务以准确率衡量，数值越高越好。

上线信息

Spark-Audio-1.0-Preview现已开放体验，对应的API后续会在讯飞开放平台上线。