Spark-Audio-1.0-Preview

Spark-Audio-1.0-Preview官网 – 科大讯飞推出的语音基座大模型

Spark-Audio-1.0-Preview 是科大讯飞于 2026 年 9 月 16 日发布的语音基座大模型。它并不是一个只做”语音转文字”的单一识别模型，而是把语音理解这件事整体交给一个大模型来完成：模型采用 0.65B 参数规模的 Dense 音频编码器，配合 30B-A3B 的 MoE（混合专家）语言模型，前者负责把原始音频压缩成模型可理解的表示，后者负责在语义层面完成推理与生成。训练数据方面，Spark-Audio-1.0-Preview 使用了 1300 万小时音频以及大量文本数据，并且全部训练过程在纯国产算力集群上完成，涉及华为昇腾 910B、海光 BW1000 等国产芯片。官方介绍页面为 https://iflytekresearch.iflytek.com/experience/spark-audio。

Spark-Audio-1.0-Preview 官方体验页

在输入输出形态上，Spark-Audio-1.0-Preview 支持文本与语音的双模态输入，输出则为文本。这意味着你可以直接把一段音频丢给它，也可以同时附上文字说明，让模型结合两者给出回答。这种设计的好处是：当用户对音频有明确的指向性问题时，不必先转写再提问，模型可以在同一个上下文里同时”听”和”读”，减少两次调用之间的信息割裂。

在语言覆盖上，Spark-Audio-1.0-Preview 支持 99 种语言以及 202 种方言的识别。对于国内这样多方言并存、地方口音差异明显的真实使用环境来说，方言维度上的覆盖程度往往比”普通话识别率再高一个点”更能决定实际体验，这也是官方把 202 种方言作为主要信息披露的原因。

官方材料披露的关键结论还包括：Spark-Audio-1.0-Preview 是业界首个基于全国产算力训练完成的语音基座大模型；在 Fleurs 中文测试集上取得了 SOTA 结果；在高噪声、小音量等复杂声学场景下的语音识别表现领先；同时，模型的文本任务能力（通用知识、数学、代码）相较同规模语言模型没有出现明显降智。API 能力后续将上线讯飞开放平台。

从命名上看，”1.0-Preview”表明这是面向开发者与行业用户开放的预览版本：能力已经齐备、可以上手体验，但接口形态、计费方式与工程化配套仍在完善中。对关注语音技术演进的人来说，这个版本最重要的信号是两个——一是端到端路线在中文与多方言场景上已经跑通，二是国产算力能够支撑这一量级的训练。至于它在具体业务里的性价比，还要等 API 正式上线后才能下结论。

Spark-Audio-1.0-Preview的主要功能

Spark-Audio-1.0-Preview 的能力边界明显宽于传统语音识别服务，它把过去需要多个模型拼起来的任务收拢到了同一个基座里。下面按任务类型逐项说明。

1. 语音转写：把音频内容转成文字，支持 99 种语言与 202 种方言，这是模型最基础也最常用的能力。得益于端到端架构，转写结果不再是孤立句子的拼接，而是会结合上下文做整体理解，专业术语与同音字的选择会更贴近语义。
2. 多语言翻译：支持语音到语音、语音到文本的跨语言转换，并且在转换过程中保留原始音频中的韵律与语气信息，让翻译结果不只是”意思对”，还尽量贴近说话人的表达方式。这对需要保留情绪与态度的商务沟通、内容本地化场景很有价值。
3. 多方言识别：覆盖 202 种方言，对于方言区用户的日常语音交互、地方口音较重的会议录音、基层服务窗口等场景，识别准确率相比只训练普通话的模型有明显优势，也让”说家乡话也能用”成为现实。
4. 环境音识别：模型不只听”人说了什么”，还能感知背景音场，判断音频所处环境。这类信息过去在转写环节就被丢掉了，而现在可以作为上下文提供给上层应用，用于判断场景、辅助降噪或触发不同的处理策略。
5. 说话人识别：能够区分一段音频中的不同发言者，在多人会议、访谈录音、客服通话、庭审记录等需要按人拆分的场景里非常实用，省去了人工标注发言人的繁琐工作。
6. 情感分析：从语音的语调、节奏与声学特征中判断说话人的情绪状态，让语音交互具备”读空气”的能力。可用于客服质检、情绪关怀、用户满意度分析等业务，也可以作为对话系统调整回复语气的依据。
7. 复杂音频问答：直接针对音频内容提问，模型基于对语音的端到端理解给出回答，而不是先转成文本再交给另一个语言模型处理。这减少了中间环节的信息损耗，也让语气、环境等非文本信息能够参与回答。

Spark-Audio-1.0-Preview 语音理解能力展示

需要注意的是，这七类能力并不是七个模型，而是同一个基座在不同任务上的表现。这也是”基座大模型”与”单点能力 API”最根本的区别：前者可以被微调、被组合、被嵌入更大的系统，后者只能在既定接口内使用。

Spark-Audio-1.0-Preview的技术架构与训练

理解 Spark-Audio-1.0-Preview，最值得关注的是它放弃了传统语音系统的级联路线。过去的语音理解方案通常是”语音识别（ASR）→ 文本 → 语言模型理解 → 生成回复”这样的多段拼接：每一段都有自己的误差，误差会沿着链路累积，而且语音中被丢掉的语调、情绪、环境信息，在转成文本的那一刻就永久丢失了。更麻烦的是，级联方案里每一段都要单独部署、单独维护、单独优化，工程复杂度和延迟都会随之上升。Spark-Audio-1.0-Preview 采用端到端的直觉理解架构，让音频表示直接进入大模型参与推理，从根上减少了中间环节的信息损耗与误差累积。

具体来看，模型由两部分构成。第一部分是 0.65B 的 Dense 音频编码器，负责把连续音频信号编码为模型可用的表示，参数量相对较小但专攻声学建模；第二部分是 30B-A3B 的 MoE 语言模型，负责语义推理与文本生成，其中 A3B 意味着每次推理只激活约 3B 参数，在保持大模型能力的同时显著控制了推理开销。这种”小而专的编码器 + 大而稀疏的语言模型”组合，是当前多模态大模型里比较主流也相对务实的做法。

训练数据的构成同样值得琢磨。1300 万小时音频要真正转化为能力，前提是数据里覆盖了足够多样的口音、方言、录音设备、噪声类型与说话风格；如果只是把单一来源的干净录音堆到千万小时，模型在实验室指标上会很好看，但一进真实环境就露怯。官方特别强调高噪声、小音量场景的领先，某种程度上正说明训练数据的分布是朝真实场景靠的，而不是朝测试集靠的。对语音模型来说，数据构成往往比数据总量更能决定落地效果。

双模态直接输入的设计，让文本提示和音频可以在同一上下文里被一起处理。举个实际例子：你可以上传一段会议录音，同时输入”请只总结第三位发言者关于预算的结论”，模型需要同时完成说话人区分、语义定位与摘要生成，这类复合任务在级联方案里往往要拆成三次调用才能勉强完成。

训练层面，1300 万小时音频加上大量文本数据构成了语料基础。1300 万小时是什么概念？相当于连续录制超过一千年的音频，其规模足以覆盖各种口音、噪声环境、录音设备与说话风格。而更关键的是，全部训练运行在纯国产算力集群之上，包括华为昇腾 910B、海光 BW1000 等国产芯片。这让 Spark-Audio-1.0-Preview 成为业界首个基于全国产算力训练完成的语音基座大模型——在当前环境下，这条信息的技术与产业意义不亚于模型指标本身，它验证的是国产芯片支撑超大规模训练的完整工程能力，包括集群互联、混合精度、长时间稳定训练等一整套基础设施。

在效果层面，官方公布的信息包括：Fleurs 中文测试集上取得 SOTA，说明多语言语音识别的基础能力达到了当前公开可比的最优水平；高噪声、小音量等复杂场景下的语音识别表现领先，这对应的是真实使用环境而非实验室安静录音；同时模型的文本任务能力（通用知识、数学、代码）没有出现明显降智，说明融合音频能力并没有牺牲语言模型原有的通用智能——这一点对基座模型尤其重要，很多多模态模型在加入新模态后会出现文本能力的回退。

还有一个容易被忽略的细节：30B-A3B 的 MoE 结构意味着模型总参数约 30B，但单次推理只激活约 3B。对语音场景来说这很重要——语音交互往往要求低延迟，而端到端模型又要一次性处理较长的音频上下文，如果每次推理都跑满 30B，响应时间和成本都很难接受。MoE 的稀疏激活机制让模型在保持容量的同时把实际计算量压了下来，这也是当前大模型在效果与成本之间最常见的折中方式。

此外，Spark-Audio-1.0-Preview 提供可微调的”1+N”基座体系，即以一个通用语音基座为核心，衍生出面向不同行业与场景的多个专用模型。开发者可以在基座之上做二次开发，用行业数据微调得到医疗、司法、金融、座舱等垂直版本，而不必从零训练一个语音模型。这种体系设计决定了它的目标用户更多是企业与开发者，而不是终端消费者。

如何使用Spark-Audio-1.0-Preview

目前 Spark-Audio-1.0-Preview 以官方体验页的形式开放试用，API 能力后续将上线讯飞开放平台。想上手可以按下面的步骤来。

1. 进入官方体验页：打开 https://iflytekresearch.iflytek.com/experience/spark-audio，这是讯飞研究院提供的在线体验入口，无需申请即可查看模型介绍并进行试用。
2. 准备音频素材：可以直接上传本地音频文件，也可以在页面内现场录制一段语音。如果想测试复杂场景能力，建议准备一段带背景噪声、音量偏低或带地方口音的录音，更能看出模型与常规转写工具的差距。
3. 选择任务类型：根据想要验证的能力选择对应任务，例如语音转写、多语言翻译、方言识别、环境音识别、说话人识别、情感分析或音频问答。建议一次只验证一项，便于对照评估。
4. 补充文本提示（可选）：模型支持文本与语音的双模态输入，你可以同时输入一段文字说明，让模型在理解音频时有更明确的指向，例如限定输出格式、指定关注的发言人或指定翻译目标语言。
5. 查看并评估结果：模型以文本形式输出结果，可以对照原始音频检查转写准确率、方言识别效果、说话人拆分是否合理、情感判断是否贴合。建议用自己的真实业务录音测试，公开样例往往偏理想。
6. 关注 API 上线：如果你是企业的技术团队或开发者，需要把能力集成进自有系统，可以留意讯飞开放平台后续上线的 Spark-Audio-1.0-Preview API，届时才具备工程化接入条件。
7. 基于”1+N”基座微调：针对垂直行业场景，可在通用语音基座之上进行微调，用自有行业语料衍生出贴合业务的专用模型。这一步通常需要一定的算力与数据准备，适合有明确场景和规模需求的团队。

需要说明的是，作为 Preview 版本，当前体验页更偏向能力展示与效果验证，不建议直接用于生产环境的稳定性评估。正式接入前最好等 API 上线后按官方计费与并发规则做一轮压测。

Spark-Audio-1.0-Preview的使用场景

Spark-Audio-1.0-Preview 的能力组合决定了它适合那些”不仅要听懂，还要理解语境”的场景，尤其是传统转写工具力所不及的部分。

1. 智能客服与通话质检：说话人识别可以拆分坐席与客户，情感分析能标记情绪波动节点，配合转写结果自动生成工单摘要与风险提示，把原本依赖人工抽检的质检工作变成全量自动化，显著降低人力成本。
2. 智慧座舱语音交互：车内天生是高噪声环境，胎噪、风噪、音乐声叠加，模型在高噪声、小音量场景下的识别优势可以直接转化为交互成功率；环境音识别还能辅助判断车内状态，例如是否有儿童哭闹、是否需要调低音量。
3. 跨语言会议与同传辅助：99 种语言覆盖加上保留韵律语气的翻译能力，适合跨国会议、涉外商务沟通、国际学术交流中的实时字幕与纪要生成，也能用于在线教育课程的本地化字幕生产。
4. 高效会务转写：多人会议中按说话人拆分发言，再结合上下文生成结构化会议纪要与待办事项，避免会后再花数小时整理录音，也让缺席者能快速拿到可执行的结论。
5. 医疗电子病历：医生口述病历属于专业词汇密集、环境复杂、时间紧张的典型场景，方言与专业术语的识别能力加上上下文理解，可以显著降低录入负担，减少因转写错误导致的病历质量问题。
6. 音频内容检索与问答：面对播客、访谈、课程录音、内部培训音频等长内容，直接向模型提问即可定位信息，比”先转全文再做检索”更省事，也能避免转写错误在检索环节被放大。

从落地路径看，这些场景大致分两类。第一类是”能力调用”，即只需要模型给出一个结果，比如把一段通话转成工单摘要，这类需求等 API 上线后直接集成即可；第二类是”能力内化”，即业务有自己的专业词表、行业表达习惯和特定噪声环境，需要在基座之上做微调，这类需求才真正用得上”1+N”体系。团队在做技术选型时，建议先用体验页判断第一类需求能不能被满足，再决定是否有必要投入微调成本。

如果你的需求只是把录音转成文字稿、或者给视频配字幕，那么更轻量的专用工具可能更经济，例如 通义听悟-语音转文字 与 字幕精灵；而 Spark-Audio-1.0-Preview 的定位是”基座”，价值在于被集成、被微调、被二次开发，而不是直接替代这些面向终端用户的成品应用。

Spark-Audio-1.0-Preview同类工具对比

把 Spark-Audio-1.0-Preview 和常见的语音类方案放在一起看，差异主要体现在架构路线与交付形态上，而不是单一指标的强弱。

还有一点值得提醒：端到端方案并不是在所有维度上都优于级联方案。级联方案的优势在于每一段都能单独替换和调优，比如 ASR 用 A 家、语言模型用 B 家，出了问题容易定位；而端到端模型一旦效果不达预期，调整手段主要是微调数据或换更大的基座，排查链路更长。因此如果你的场景非常垂直、且已有成熟的 ASR 服务在运行，贸然切换到端到端基座未必划算；反之，如果你的业务本来就依赖语气、情绪、说话人这类信息，端到端的收益会非常明显。

在讯飞自身的产品矩阵里，不同工具面向的层次也不一样。科大讯飞 官方站点汇总了完整的语音与人工智能产品线，是了解全貌的起点；讯飞星火4.0 API 面向通用文本大模型的调用需求；讯飞Maas官网 与 讯飞星辰MaaS 提供模型即服务的落地通道，是企业接入讯飞模型能力的主要入口。

如果你的需求在声音生成侧而非理解侧，可以看 讯飞智作配音、文本转语音 (TTS) 与 Voicv语音克隆；语音输入侧则有成熟的 讯飞输入法。另外 讯飞loomy 也是讯飞系值得关注的产品之一。选择时的判断标准很简单：要”理解语音”选 Spark-Audio 这类基座，要”生成语音”选配音与 TTS 类工具，要”日常打字输入”选输入法。

Spark-Audio-1.0-Preview的常见问题解答

Spark-Audio-1.0-Preview 现在可以接入 API 吗？怎么体验？

目前官方以体验页的形式开放试用，访问 https://iflytekresearch.iflytek.com/experience/spark-audio 即可上传或录制音频，测试转写、翻译、方言识别、情感分析等各项能力。API 能力后续会上线讯飞开放平台，需要系统集成的开发者可以关注平台的上线通知，正式接入前建议先做一轮业务录音的效果验证。

Spark-Audio-1.0-Preview 支持哪些语言和方言？翻译效果如何？

官方公布的数据是支持 99 种语言以及 202 种方言的识别。翻译方面支持语音到语音、语音到文本的跨语言转换，并且在转换过程中会尽量保留原始音频中的韵律与语气，这一点对需要传达态度与情绪的沟通场景比较重要。实际效果建议用自己的目标语种样本实测。

为什么说它是”基于全国产算力训练”的？这有什么意义？

Spark-Audio-1.0-Preview 的全部训练过程运行在纯国产算力集群之上，使用了华为昇腾 910B、海光 BW1000 等国产芯片，是业界首个基于全国产算力训练完成的语音基座大模型。其意义不只是芯片选型本身，而是验证了国产算力能够支撑千亿级参数规模、千万小时级数据量的完整训练流程，包括集群调度、长时间稳定训练与精度保障。

把视角再拉远一点，语音基座大模型的出现，会逐步改变语音类产品的分工方式。过去做一款语音应用，团队需要自己拼 ASR、拼情绪识别、拼说话人日志，能力边界由拼装能力决定；往后更可能变成”选一个合适的基座，用行业数据微调，把精力放在产品与交互上”。这条路径在文本大模型领域已经发生过一次，语音领域大概率会重演，只是节奏会慢一些，因为语音数据的获取与标注成本远高于文本。

综合来看，Spark-Audio-1.0-Preview 更适合被理解成一块”底座”：它把语音理解这件事从多段拼接收敛成一次推理，并且证明了这条路线可以在国产算力上跑通。对大多数终端用户来说，短期内真正会接触到它的方式，是各类接入了该模型的产品变得更聪明——听得懂方言、分得清说话人、察觉得到情绪，而用户未必知道背后换了新的模型。

Spark-Audio-1.0-Preview官网网址

Spark-Audio-1.0-Preview 的官方体验与介绍页面为 https://iflytekresearch.iflytek.com/experience/spark-audio，模型的架构说明、能力演示、效果样例与最新动态都以该页面为准。企业用户如需了解后续 API 的接入方式，可持续关注讯飞开放平台的官方公告。

OpenI AI时代点评

语音大模型这一轮竞争的真正分水岭，不在于转写准确率又提高了零点几个百分点，而在于”语音到底有没有被真正理解”。级联方案把音频压缩成文本后再交给语言模型，本质上默认了”文字能完全代表语音”，但语调、犹豫、情绪、环境噪声这些信息，恰恰是人与人交流中最重要的部分。同样一句”好的”，用不同语气说出来可能是认同、敷衍或不满，转成文字后这层信息就彻底消失了。Spark-Audio-1.0-Preview 选择端到端路线，让音频表示直接参与大模型推理，这一步走对了方向，也让说话人识别、情感分析、环境音识别这些能力成为同一个模型的自然产物，而不是外挂的模块。

另一层意义在算力侧。1300 万小时音频的训练量放在纯国产算力集群上完成，本身就是一次工程能力的验证：它证明了昇腾 910B、海光 BW1000 这类国产芯片能够支撑起大模型级别的完整训练流程。对国内 AI 产业链来说，这条结论的影响范围会超出语音领域本身——它回答的是”没有外部高端算力，我们能不能自己把大模型训出来”这个更根本的问题。从这个角度看，Spark-Audio-1.0-Preview 的示范价值不只在模型指标上。

Fleurs 中文测试集 SOTA、复杂声学场景领先、文本任务未明显降智，这三点合在一起说明模型没有为了”听得懂”而牺牲”想得明白”。尤其是第三点，很多多模态模型在融合新模态后会出现文本能力回退，Spark-Audio-1.0-Preview 通过 MoE 结构与训练配比把这层风险压住了，这对后续做微调的开发者是个好消息：基座本身的语言能力是完整的，垂直微调时不必担心”加了行业数据就忘了常识”。

当然，Preview 版本意味着它还在早期：API 尚未上线，开发者暂时只能通过体验页评估效果，真正的大规模落地还要等讯飞开放平台开放接口之后；”1+N”基座体系的实际微调门槛、微调成本与效果增益，也需要更多公开案例来验证。选型时建议分清层次——如果你的目标是把语音能力嵌进自有产品，可以关注 Spark-Audio-1.0-Preview 与 讯飞Maas官网、讯飞星辰MaaS 的后续衔接；如果只是要一份转写稿或字幕，通义听悟-语音转文字、字幕精灵 这类成熟工具更省事；需要配音与声音生成的，则可以看 讯飞智作配音。想亲自判断效果，直接去 https://iflytekresearch.iflytek.com/experience/spark-audio 传一段带噪声的录音，比看任何评测数字都直观。