科大讯飞星火语音基座大模型 SparkAudio 1.0 上线 API 服务，支持 99 种语言、202 种方言

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，开发者可以直接接入调用。

文本、语音两种模态都能输入，输出为文本模态。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，以及复杂的音频问答等场景任务，SparkAudio 1.0均可支持。

按照官方的说法，以往处理音频多走级联方案——先把语音转成文字，再交给大模型去理解。这条路有两个明显短板。

• 一是信息丢失。文字记录的只是说了什么，语气、情绪以及背景环境音等语音自带的关键信息都会被丢掉，模型对场景的判断因此不完整，最终结果自然受影响。

• 二是链路割裂。语音转写、声纹识别、语音翻译等能力被拆成独立模块串联运行，模块之间有断点，错误容易层层累积，用起来还会出现延迟、卡顿。

语音基座大模型正是冲着这些问题来的。据介绍，它不再只做语音转文字，而是直接理解语音：人声、环境音、音乐等一次性听懂，声音里的语义、情绪和场景也能理解。

相比上一代模型，星火语音基座SparkAudio 1.0在三个方面做了全新升级。

• 听见更多：可处理99种语言、202种方言，支持多语言语音识别与翻译任务。

• 理解更透：从语音识别延伸到多维音频理解，能读懂语音的深层含义，智能客服、汽车座舱、跨语会议、医疗病历、内容审核等场景都能用。

• 用得更广：训练基于全国产算力，为开发者和行业应用提供一个自主可控的语音智能底座。

相关链接：