科大讯飞 11 月 12 日宣布,语音基座大模型 SparkAudio 1.0 在讯飞开放平台上线 API 服务,开发者可直接接入。它基于全国产算力训练,支持文本与语音输入、文本输出,覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析与音频问答,支持 99 种语言、202 种方言。
官方的论证逻辑是替代级联方案:过去先语音转文字、再交给大模型理解,文字记录不了语气、情绪和背景环境音,模块串联还容易累积错误与延迟。SparkAudio 直接理解语音,一次听懂人声、环境音与音乐,并理解其中的语义、情绪与场景。数字上,相较上一版 SparkAudio 1.0-Preview 整体效果提升 20%、响应时间降低 15%、成本降低 60%;公开评测中英文识别错误率 2.25%、14 种主流语言 2.81%、中文方言 14.29%、中文小音量场景 17.17%。另有专项微调的 Spark-ASR-2.0 面向中文、高噪声与小音量场景。做客服、座舱与会议场景的团队,值得用真实数据实测一轮。