科大讯飞发布 Spark-Audio-1.0-Preview 语音基座大模型

科大讯飞宣布 Spark-Audio-1.0-Preview 上线，这是一款基于中国国产算力训练的语音基座大模型。该模型采用 0.65B 音频编码器与 30B-A3B 大语言模型，使用 1300 万小时音频数据训练，可同时输入文本和语音模态。

相比传统级联方案，该模型能直接理解语音，一次性识别环境音、音乐、语义、情绪和场景，支持语音转写、多语言翻译、多方言识别、说话人识别、情感分析及复杂音频问答等任务。

该模型支持 99 种语言及 202 种方言识别，在中英文、多语言及多方言评测中得分高于 Gemini-3.1 Pro，Fleurs-中文测试集取得 SOTA。在复杂场景高噪声、小音量等条件下具有明显领先优势。

目前该模型已开放体验，API 后续将上线讯飞开放平台。