科大讯飞今日宣布Spark-Audio-1.0-Preview上线，这是一款基于全国产化算力训练的语音基座大模型。

过去，大模型处理音频大多采用级联方案：先把语音转成文字，再交给大模型理解。这种做法存在两个明显短板：一是信息丢失，文字只能记录说了什么，会丢掉语音里自带的语气、情绪，还有背景环境音等关键信息；二是链路割裂，把语音转写、声纹识别、语音翻译等能力拆成独立模块串联运行，模块之间存在断点，容易累积错误，并出现延迟、卡顿。

语音基座大模型直接理解语音，一次性听懂人声、环境音、音乐等，还能理解声音里的语义、情绪和场景。

此次首发的Spark-Audio-1.0-Preview采用0.65B（ Dense结构）的音频编码器，搭配30B-A3B（ MoE结构）的大语言模型，使用了1300万小时音频以及大量文本数据，基于纯国产算力集群训练完成；在同一个模型中可输入文本和语音两个模态，支持语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析以及复杂的音频问答等任务。

官方称，Spark-Audio-1.0-Preview在各项语音评测任务上效果整体相当、部分超过，尤其在复杂场景高噪声、小声说等偏真实应用类任务上明显领先；与尺寸更大的闭源语音基座模型相比，表现也十分接近。Spark-Audio-1.0-Preview可支持99种语言及202种方言的识别，在多语言、多方言语音识别上较同尺寸的Qwen3.5-omni-flash（35B-A3B）有优势，接近尺寸高一个数量级的Qwen3.5-omni-plus。在Fleurs中文测试集中，Spark-Audio-1.0-Preview取得了SOTA。

在复杂场景的高噪声、小音量等条件下，Spark-Audio-1.0-Preview的语音识别评测也具有较为明显的领先优势。在通用知识、数学与代码等任务上没有出现明显降智，同时在指令遵循、对话、音频理解等任务上仍有进步空间。

目前，Spark-Audio-1.0-Preview已正式开放体验，API后续将上线讯飞开放平台。