科大讯飞SparkAudio 1.0上线API：99种语言、202种方言直接听懂音频

语音技术的人工智能探索有了新进展。科大讯飞近日宣布，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，开发者和企业用户现在可以直接接入调用。

原生语音大模型直接听懂地球声音，告别传统级联方案。过去很长一段时间，业界处理音频任务普遍采用“级联方案”：先通过语音识别把声音转成文字，再交给大模型理解。问题是，这种串联方式有两个绕不开的短板。

一是信息丢失严重。纯文本只能记录“说了什么”，声音里自带的语气、情绪波动、说话人特征以及背景环境音等关键维度信息会被彻底遗漏，模型对复杂场景的判断因此不够全面。

二是链路割裂与延迟。语音转写、声纹识别、翻译等能力被拆成独立模块串联运行，错误容易在各环节累积，实际使用中也会带来明显的延迟与卡顿。

针对这些痛点，SparkAudio1.0打破了传统处理边界。它是一款真正的语音基座大模型，不再局限于“语音转文字”，而是具备直接理解语音的能力：人声、环境音、音乐等多种音频形态可以一次性“听懂”，声音背后的深层语义、情绪变化与具体场景也能同步洞察。

三大核心升级：听得更广、理解更深、算力自主。相较以往的语音技术，星火语音基座SparkAudio1.0在多个关键维度实现全面跨越。

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：从基础语音识别跃升至多维音频理解，精准把握语音的深层含义，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，为开发者和各行各业提供真正自主可控的语音智能底座。

SparkAudio1.0 的 API 接入通道和测试体验现在都已开放，语音大模型往商业化落地和生态开放的方向又走了一步。