科大讯飞发布 SparkAudio 1.0：端到端语音基座大模型，支持 99 种语言与全模态音频理解

科大讯飞今日宣布，其新一代语音基座大模型 SparkAudio 1.0 正式在讯飞开放平台上线 API 服务。该模型突破了传统“语音转文字+文本大模型”的级联架构限制，实现了从原始音频到语义理解的端到端处理，支持文本与语音双模态输入及文本输出，旨在解决复杂场景下的音频信息丢失与链路延迟问题。

• 体验链接：https://iflytekresearch.iflytek.com/console/spark-audio
• API 地址：https://www.xfyun.cn/services/Spark_Audio_1.0

技术范式转变：从“听写”到“听懂”

传统音频处理方案通常采用级联模式：先通过 ASR（自动语音识别）将语音转换为文本，再交由 LLM（大语言模型）进行理解。科大讯飞指出，这种模式存在两大核心短板：

1. 高维信息丢失：文本仅保留字面内容，丢失了语气、情绪、背景环境音等非语言线索，导致模型对场景上下文的理解不完整。
2. 链路割裂与误差累积：ASR、声纹识别、翻译等模块独立运行，不仅增加了系统延迟，还容易因上游模块的错误导致下游任务性能下降。

SparkAudio 1.0 采用端到端架构，直接对原始音频波形或特征进行建模。它能够一次性处理人声、环境音及音乐，同步解析声音中的语义、情感状态及物理场景，实现了真正的“全模态音频理解”。

核心能力升级

相较于上一代模型，SparkAudio 1.0 在覆盖广度、理解深度及基础设施自主性方面进行了显著升级：

应用场景拓展

凭借对音频全要素的理解能力，SparkAudio 1.0 适用于对实时性、准确性和场景感知要求极高的领域：

• 智能客服与质检：通过情感分析和说话人分离，精准判断用户情绪波动及对话角色，提升服务针对性。
• 汽车智能座舱：结合环境音理解（如车窗噪音、音乐背景），在嘈杂环境下实现更自然的语音交互。
• 跨语言会议助理：支持多方言、多语言的实时转写与翻译，并保留发言人的语气特征。
• 医疗病历生成：准确区分医生与患者对话，捕捉问诊过程中的关键语气与非语言线索。
• 内容安全审核：识别音频中的敏感环境音、特殊语气及隐含语义，弥补纯文本审核的盲区。

目前，开发者可通过讯飞开放平台直接调用 SparkAudio 1.0 的 API，将其集成至各类音频处理应用中。这一发布标志着科大讯飞在语音大模型领域从“工具型识别”向“认知型理解”迈出了关键一步。