人工智能在语音技术领域的探索迎来了全新突破。科大讯飞于近日正式宣布，其旗舰级语音基座大模型 SparkAudio1.0已在讯飞开放平台全面上线 API 服务，广大开发者和企业用户现在可以直接接入并调用该服务。
告别传统级联方案:用原生语音大模型直接听懂地球声音
在过去的很长一段时间里，业界处理音频任务普遍采用的是“级联方案”:即先通过语音识别将声音转换为文字，再将文字交由大模型进行理解。然而，这种传统的串联方式存在两个无法忽视的短板:
信息丢失严重: 纯粹的文本只能记录“说了什么”，却会彻底遗漏声音中自带的语气、情绪波动、说话人特征以及背景环境音等关键维度的信息，导致模型对复杂场景的判断不够全面。
链路割裂与延迟: 将语音转写、声纹识别、翻译等多个能力拆分为独立模块串联运行，不仅容易在各个环节中累积错误，也会在实际使用体验中带来明显的延迟与卡顿。
针对这些痛点，SparkAudio1.0彻底打破了传统的处理边界。作为一款真正的语音基座大模型，它不再仅仅局限于“语音转文字”，而是具备了直接理解语音的能力。它可以一次性“听懂”人声、环境音、音乐等多种音频形态，并能同步洞察声音背后的深层语义、情绪变化与具体场景。
三大核心升级:听得更广、理解更深、算力自主
相较于以往的语音技术，星火语音基座 SparkAudio1.0在多个关键维度实现了全面跨越:
听见更多: 该模型全面支持99种语言以及高达202种方言，能够高效应对极为复杂的跨语言语音识别与翻译任务。
理解更透: 从基础的语音识别跃升至多维音频理解，能够精准把握语音的深层含义，从而无缝支撑智能客服、汽车座舱、跨语种会议、医疗病历、内容审核等多样化的行业应用场景。
用得更广: 整个模型在全国产算力底座上完成训练，为广大开发者和各行各业提供了真正自主可控的语音智能底座。
目前，SparkAudio1.0的相关测试体验与 API 接入通道均已全面开放，标志着语音大模型在商业化落地与生态开放上迈出了坚实的一步。
科大讯飞9月23日发布新一代语音识别大模型Spark-ASR-2.0，标志语音交互与智能硬件落地关键升级。该模型9月24日起在讯飞输入法逐步上线，并通过开放平台向开发者及企业提供API服务，后续还将落地讯飞AI眼镜、智能办公本等设备。
科大讯飞上线语音基座大模型Spark-Audio-1.0-Preview，基于全国产化算力训练。传统音频处理多采用级联方案，先转文字再理解，存在信息丢失（忽略语气、情绪、背景环境音）和链路割裂（语音转写、声纹识别等环节分离）两大短板，影响场景判断完整性。
科大讯飞发布星火X2.5大模型，采用MoE架构，参数规模293B-A30B，重点提升代码与智能体能力，并增强数学、理解等通用能力。该模型基于全国产算力完成训练推理，优化国产超长序列训推难题，已上线讯飞开放平台。端侧4B和1.7B模型已先行开源，支持最长100万Token上下文。
近日，中科院大连化物所联合科大讯飞、阿里云发布智能化工大模型3.0 Pro。作为我国化工行业首个大模型的最新迭代版，其发布标志着行业大模型正告别单一知识问答，向更深层次工业落地迈进；技术上从过去聚焦信息检索与内容生成，跨越到全新阶段。
科大讯飞9月1日将开源星火X2.5-4B和1.7B两款端侧通用大模型，原生支持1M token长上下文，重点提升智能体交互、数学计算与通用理解能力，面向车载、智能硬件及万物互联等端侧场景。9月7日还将发布更大规模模型。
关注 “悠AI” 更多干货技巧行业动态
相关文章
