科大讯飞发布 Spark-Audio-1.0-Preview：全国产算力训练，覆盖 99 种语言、202 种方言

讯飞星火语音基座大模型Spark-Audio-1.0-Preview正式上线

9月16日，科大讯飞对外发布语音基座大模型Spark-Audio-1.0-Preview，其最突出的标签为“全国产”——模型基于全国产化算力集群训练完成，从底层规避了供应链风险。

过去业界处理音频大多采用级联方案：先通过语音转写模块将语音转为文字，再交由大模型理解文本内容，该模式存在两大明显短板：一是信息丢失，文字仅能记录表述内容，会丢失语音自带的语气、情绪、背景环境音等关键信息，导致模型场景判断不完整；二是链路割裂，语音转写、声纹识别、语音翻译等能力被拆分为独立模块串联运行，模块间断点容易累积误差，还会出现延迟、卡顿等问题。

Spark-Audio-1.0-Preview则采用单一模型架构，不再局限于语音转文字，可直接理解语音全量信息。该模型专注语音赛道，不涉及图像、视频模态处理，支持文本和语音双模态输入、文本模态输出，可承接的任务包括：

• 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
• 复杂音频问答
  实现从“听清”语音内容到“听懂”语义、情绪、场景的跃升。

0.65B编码器搭配30B MoE大模型，纯国产算力完成全流程训练

此次发布的Spark-Audio-1.0-Preview采用0.65B（Dense结构）的音频编码器，搭配30B-A3B（MoE结构）的大语言模型，训练过程中使用了1300万小时音频数据及大量文本数据，训练所用算力集群为纯国产化设备。与讯飞星火大模型的“1+N”体系逻辑一致，该语音基座大模型也支持微调，开发者可基于其开发语音识别、语音同传、语音交互等专用模型或系统，快速落地相关语音业务。

多语言多方言识别性能领先，复杂场景优势突出

在多项语音评测任务中，Spark-Audio-1.0-Preview表现整体处于行业第一梯队，部分任务实现超越。需注意官方提到的“与参数量高一个数量级的Qwen3.5-omni-plus效果接近”仅针对语音识别任务，并非整体模型能力对标。具体评测成绩如下：

• 与同尺寸的Qwen3.5-omni-flash（35B-A3B）相比，Spark-Audio-1.0-Preview在多语言、多方言语音识别的平均效果上占优；
• 在Fleurs、Kespeech、LibriSpeech等中英文、多语言、多方言语音识别公开评测中，得分高于Gemini-3.1 Pro，其中Fleurs中文测试集取得SOTA（当前最优成绩）；
• 在高噪声、小声说等偏真实应用的复杂场景下，该模型的识别表现有明显领先优势。

当前版本已开放体验，API即将上线讯飞开放平台

目前Spark-Audio-1.0-Preview已正式开放体验入口，API尚未正式上线，后续将登陆讯飞开放平台面向开发者提供服务。官方同时坦言，当前版本在通用知识、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追赶空间，下一步将在巩固优势的同时补齐短板，持续优化模型表现。