SparkAudio 1.0 – 科大讯飞推出的星火语音基座大模型

SparkAudio 1.0 是一款由科大讯飞于 2026 年 10 月开幕的全球 1024 开发者节上发布的星火语音基座大模型，在语音识别、同传与语音交互之外，新增音频理解、情绪识别、实时说话人分离与环境声理解，适用于会议转写、多语言交互与音频内容分析。

SparkAudio 1.0 的核心能力

从上表看，SparkAudio 1.0 的量化变化有三处：整体效果提升20％，响应时间降低15％，成本降低60％；支撑这三项指标的是半监督音频编码器、动态分段端到端建模与双范式协同解码三项技术创新。能力面也从「听清说了什么」扩展到「听懂发生了什么」。

语音识别与同传升级

作为语音基座的正式版，SparkAudio 1.0 全面提升语音识别、同传和交互能力：识别侧覆盖中英混说与多语种场景，同传侧面向跨语言沟通的实时性要求，交互侧对接讯飞输入法、翻译机等高频使用入口。升级不靠单点调参，官方口径将三项指标的效果归因于基座层面的技术重构，识别、同传与交互共享同一套音频理解底座，而非各自独立的流水线；该底座的识别侧衍生版本，可参考已收录的 Spark-ASR-2.0。

音频理解与声音事件分析

新增的音频理解能力让模型处理的是整段声音而不是逐句转写：发布现场的演示里，模型仅凭一段电影音频，就分析了人物对话、背景音乐和车辆等声音，并据此推断所在场景；对一段录音做主题与场景级标注、按声音事件定位片段，也都不再需要先转成文字再分析。

情绪识别与说话人分离

情绪识别与实时说话人分离面向多人交流场景：模型在转写内容之外，同时输出说话人角色与语气状态，为会议纪要、访谈整理与客服质检提供结构化中间层；环境声理解则把背景音纳入解析范围，使得户外、车载等噪声场景下的指令与内容区分成为可能。

三项技术创新

官方公布的创新集中在三处：半监督音频编码器负责在标注数据之外利用大规模无标注音频；动态分段端到端建模处理长音频的切分与衔接；双范式协同解码兼顾识别准确率与响应速度。三项技术叠加的量化结果为整体效果提升20％、响应时间降低15％、成本降低60％，成本项对要在端侧设备上常驻语音能力的厂商尤为关键。

全系上线与AI录音环

落地节奏上，SparkAudio 1.0 已在讯飞办公本、讯飞输入法16.0、讯飞翻译机、讯飞听见等产品全系上线，用户更新对应版本即可使用，没有单独的开关或安装步骤；同场首发的讯飞AI录音环是配套硬件，支持说话人实时识别，综合识别准确率超96％，2小时录音转写仅需2分钟，把基座能力做成了可随身携带的形态。

SparkAudio 1.0 与同类语音模型的对比

SparkAudio 1.0 的参照系是自家预览版与开源阵营的通用音频模型。三者路线不同，可直接对照的能力面如下：

三家的取舍集中在三处：开源情况上，FireRedAudio 以 Apache-2.0 开放权重，讯飞两代均未开放；能力范围上，SparkAudio 1.0 在识别与同传之外并入音频理解与说话人分离；交付方式上，讯飞走产品内集成、开箱即用，FireRedAudio 面向自行部署与二次开发。

语音底座的前一代预览版已在站内收录：Spark-Audio-1.0-Preview 采用 0.65B 音频编码器加 30B-A3B MoE 架构，支持 99 种语言与 202 种方言，并在 Fleurs 中文测试集取得 SOTA，可作为理解 1.0 正式版能力边界的参照，其站内页面见下方卡片。

SparkAudio 1.0 的应用场景与适用人群

围绕「听清」到「听懂」的能力扩展，SparkAudio 1.0 的常见场景包括：

• 会议与访谈转写：录音环或讯飞听见承担多人对话的转写与说话人区分，2小时录音约2分钟出稿。
• 跨语言沟通：同传能力经讯飞翻译机与输入法落地，覆盖中英混说与多语种实时翻译。
• 音频内容分析：对播客、访谈、现场录音做场景推断、情绪标注与声音事件定位。
• 端侧产品集成：办公本与输入法把语音能力常驻本地，减少云端调用带来的延迟与成本。

适用人群：讯飞办公本、输入法与翻译机的既有用户，需要会议纪要与访谈整理的团队，做多语言内容或音频后期处理的创作者；希望自行部署和微调语音模型的开发者可参考 FireRedAudio 等开源方案，再对照本模型的量化指标做选型。

SparkAudio 1.0 的使用方法

SparkAudio 1.0 未单独开放权重或独立 API 页，能力经讯飞系产品与硬件落地，按载体分两条路径：

讯飞系产品路径

1. 确认载体：本次更新覆盖四款官方载体——讯飞办公本、讯飞输入法16.0、讯飞翻译机与讯飞听见。
2. 更新版本：将产品升级至已集成 SparkAudio 1.0 的版本，升级入口见各产品内提示。
3. 直接使用：在语音输入、转写或翻译功能中调用，能力随产品启用，无单独开关。

讯飞AI录音环路径

1. 连接设备：佩戴或配对讯飞AI录音环，确认与配套应用完成连接。
2. 实时识别：录音过程中模型实时完成说话人识别，综合识别准确率超96％。
3. 生成转写：录音结束后在配套应用生成转写文本，2小时录音约2分钟完成。

两条路径共用同一语音基座；开发者如需把语音能力接入自有系统，可在讯飞开放平台的语音服务页面查看在售接口与文档。

SparkAudio 1.0 的项目地址

• 官方发布文章（微信公众号）：https://mp.weixin.qq.com/s/Wk1Rbuxn7SiINrzuXaUfZg
• 讯飞开放平台：https://www.xfyun.cn/
• 讯飞星火官网：https://xinghuo.xfyun.cn/

SparkAudio 1.0 的价格与开源情况

官方发布信息未包含 SparkAudio 1.0 的独立定价；模型能力随讯飞办公本、讯飞输入法16.0、讯飞翻译机、讯飞听见等既有产品提供，费用按各产品自身的方案执行，本页不作推测。

首发的讯飞AI录音环为独立硬件，售价与上市节奏以官方渠道为准；开发者侧如需接口级能力，可在讯飞开放平台的语音服务页面核对计费方式后再接入。

SparkAudio 1.0 的常见问题