Spark-Audio-1.0-Preview – 科大讯飞推出的全国产语音基座大模型

Spark-Audio-1.0-Preview是一款由科大讯飞于2026年9月推出的全国产语音基座大模型，主要用于直接理解语音中的语义、情绪与场景，支持 99 种语言与 202 种方言识别，并基于纯国产算力集群完成训练，适用于语音转写、多语言翻译、方言识别与语音智能体等方向。

Spark-Audio-1.0-Preview 的核心能力

作为 AI 模型 中少见地以纯国产算力集群完成训练的语音基座，它的技术路径很明确：不让语音先变成文字，而是让模型直接听懂语音本身。

从级联方案到端到端语音理解

传统语音处理多采用级联方案：先把语音转写成文字，再交给大语言模型理解。这条链路有两个短板——文字只记录说了什么，会丢掉语气、情绪与背景环境音；语音转写、声纹识别、翻译等模块独立串联，断点既累积错误又带来延迟。该模型直接对语音做语义、情绪与场景理解，把割裂的链路收进同一个模型。

纯国产算力训练下的架构设计

模型采用 0.65B（Dense 结构）音频编码器搭配 30B-A3B（MoE 结构）大语言模型，基于纯国产算力集群训练完成，训练侧使用 1300 万小时音频与大量文本数据，因此在通用知识、数学与代码等文本任务上没有明显降智。对语音基座来说这点尤为关键：不少语音方案转向音频后，文本推理能力会同步下滑。

多语言与多方言识别能力

模型支持 99 种语言与 202 种方言识别。官方发布材料给出的对比基线中，它与同尺寸的 Qwen3.5-omni-flash（35B-A3B）相比在多语言、多方言识别上占优，并与尺寸高一个数量级的 Qwen3.5-omni-plus 效果接近，参数效率是这一代的主要优化方向。对覆盖方言地区或出海多语种的产品，这层覆盖度直接决定可用性。

复杂场景下的真实环境表现

在 Fleurs、Kespeech、LibriSpeech 等中英文与多方言识别评测中，模型得分高于 Gemini-3.1 Pro，Fleurs 中文测试集取得 SOTA。面向真实应用时，它在大噪声、小音量等条件下的优势更明显——这恰是级联方案最易失效之处：环境音与语气一旦丢弃，后续理解便无从补救。

单模型多任务与微调扩展

同一模型内可输入文本与语音两个模态，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、情感分析与音频问答等任务。与讯飞星火大模型的 1+N 体系类似，语音基座上同样支持微调，可派生语音识别、语音同传、语音交互等专用模型。

Spark-Audio-1.0-Preview 与同类语音模型的对比

整体看，Spark-Audio-1.0-Preview 的差异集中在两点：训练算力完全国产化，以及把语音理解压进单一模型而非级联链路。StepAudio 3 以五款模型覆盖识别、合成、实时交互与音乐创作，走系列化路线；Qwen-Audio-3.0-Realtime 侧重低延迟双工交互与工具调用；Voxtral Transcribe 2 以开源实时版权重和按分钟计费切入批量转写与实时字幕。表中数值均取自各方官方发布材料与技术文档。

如果需要目标说话人场景的识别能力，可以关注 Xiaomi-CocktailASR-1（小米推出的目标说话人语音识别大模型），它在多人对话中聚焦特定说话人的语音识别，与本文模型的通用语音理解方向互补。

Spark-Audio-1.0-Preview 的应用场景与适用人群

• 语音转写与会议记录：把会议、访谈与课堂长音频直接转成文字，并借助说话人识别区分发言人。
• 多语言与方言场景：覆盖 99 种语言与 202 种方言，适合出海客服、跨境内容与方言地区语音输入。
• 复杂环境拾音：在高噪声、小音量等真实条件下完成识别，适配车载、工业现场与户外记录场景。
• 语音智能体与专用模型：在语音基座上微调出语音识别、语音同传或语音交互系统，接入业务闭环。

适用人群：需要语音识别与音频理解能力的开发者与企业团队、对训练算力与数据合规有国产化要求的企业，以及出海客服、媒体转写与语音智能体方向的从业者。

Spark-Audio-1.0-Preview 的使用方法

1. 进入体验中心：访问 Spark-Audio-1.0-Preview 体验中心，在网页端直接试听与验证语音识别、翻译等能力。
2. 明确任务类型：判断需求落在语音转写、多语言翻译、方言识别、环境音识别还是说话人识别，再确定输入形态与评估指标。
3. 准备真实样本：按落地场景录制含噪声、多人对话或小音量的音频，用于验证复杂条件下的识别表现。
4. 规划微调与接入：若需要专用模型，可在语音基座上微调派生语音识别、同传或交互系统，接入业务链路。

Spark-Audio-1.0-Preview 的价格与开源情况

Spark-Audio-1.0-Preview 目前通过科大讯飞官方体验中心开放试用，官方尚未公布 API 计费单价与免费额度，商业化定价与配额以官方公示为准。

Spark-Audio-1.0-Preview 暂未开源，官方未发布模型权重与许可证说明，现阶段只能通过官方体验中心验证能力，无法本地部署。对要求私有化部署的团队，需持续关注后续是否开放权重。

Spark-Audio-1.0-Preview 的常见问题