11月12日，科大讯飞宣布讯飞星火语音基座大模型SparkAudio 1.0已在讯飞开放平台上线API服务，开发者可直接接入调用。该模型支持文本与语音双模态输入、文本模态输出，可覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析及复杂音频问答等任务场景。
科大讯飞方面指出，此前音频处理多采用级联方案，即先将语音转写为文字，再交由大模型理解。该方案存在两方面短板：一是信息丢失，文字仅能记录语音内容，语气、情绪及背景环境音等关键信息被剥离，影响模型对场景的完整判断；二是链路割裂，语音转写、声纹识别、语音翻译等能力被拆分为独立模块串联运行，模块间存在断点，易累积错误，并在使用中产生延迟与卡顿。
SparkAudio 1.0采用语音基座大模型路线，直接对语音进行理解，而非仅做语音转文字。模型可同时处理人声、环境音与音乐，并解析声音中的语义、情绪与场景信息。相较于上一代模型，SparkAudio 1.0在三个方面完成升级：支持99种语言与202种方言，可处理多语言语音识别与翻译任务；从语音识别扩展至多维音频理解，支持智能客服、汽车座舱、跨语会议、医疗病历、内容审核等场景；基于全国产算力训练，为开发者与行业应用提供自主可控的语音智能底座。
从行业视角看，语音交互长期受限于级联架构的误差累积与信息损耗，基座化路线将转写、声纹、翻译等能力收敛至单一模型，有望降低开发者的集成复杂度与调用延迟。此次API开放意味着该能力从技术验证走向规模化调用，其在智能客服、会议记录、内容审核等高频率语音场景中的实际表现，将成为检验语音基座模型商业价值的关键指标。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
