AI 摘要
- 科大訊飛星火語音基座大模型 SparkAudio 1.0 已在訊飛開放平臺上線 API 服務。
- 該模型支援 99 種語言及 202 種方言，並可直接理解人聲、環境音與音樂等音頻形態。
- 模型於全國產算力底座上完成訓練，目前測試體驗與 API 接入通道均已開放。
科大訊飛近日宣布，科大訊飛星火語音基座大模型 SparkAudio 1.0 已在訊飛開放平臺全面上線 API 服務，開發者和企業用戶現在可以直接接入並調用。這款被定位為旗艦級的語音基座大模型，目標是取代業界長期沿用的「先語音識別、後文字理解」級聯方案，讓模型直接處理聲音本身。
產品定位與目標用戶
SparkAudio 1.0 的定位是語音基座大模型，服務對象包括開發者與各行各業的企業用戶。來源指出，它可應用於智能客服、汽車座艙、跨語種會議、醫療病歷與內容審核等場景，因此目標用戶主要是需要語音理解與多語言處理能力的產品與服務提供者。
從級聯方案轉向原生語音理解
傳統做法通常先將語音轉成文字，再交由大模型分析。來源指出，這種方式有兩項主要問題：一是純文字只能保留「說了什麼」，容易遺漏語氣、情緒波動、說話人特徵與背景環境音；二是語音轉寫、聲紋識別、翻譯等模組各自獨立串聯，容易在各環節累積錯誤，並造成延遲與卡頓。
SparkAudio 1.0 的設計重點，在於直接理解音頻本身。來源指出，它能一次處理人聲、環境音、音樂等多種音頻形態，並同步掌握聲音背後的語義、情緒變化與具體場景。
主要功能與升級重點
根據來源，SparkAudio 1.0 的升級可歸納為三個方向：
- 聽得更廣：支援 99 種語言及高達 202 種方言，可應對複雜的跨語言語音識別與翻譯任務。
- 理解更深：從基礎語音識別升級為多維音頻理解，能更精準掌握語音的深層含義。
- 算力自主：整個模型於全國產算力底座上完成訓練，來源強調其為自主可控的語音智能底座。
與傳統級聯方案的比較
| 比較項目 | 傳統級聯方案 | SparkAudio 1.0 |
|---|---|---|
| 處理方式 | 先語音轉文字，再由大模型理解 | 直接理解語音與多種音頻形態 |
| 資訊保留 | 主要保留文字內容，容易遺漏語氣、情緒與環境音 | 可同步掌握語義、情緒變化與具體場景 |
| 流程結構 | 多個模組串聯，環節間易累積錯誤 | 原生語音大模型，減少鏈路割裂 |
| 語言覆蓋 | 來源未提供具體數據 | 支援 99 種語言及 202 種方言 |
規格、售價與上線狀態
來源確認的技術指標包括 99 種語言與 202 種方言支援，以及全國產算力底座的訓練環境。目前測試體驗與 API 接入通道均已開放。來源並未提供售價、計費方式或具體上線日期，相關資訊仍需以科大訊飛官方公告為準。
整體而言，SparkAudio 1.0 的上線代表語音大模型邁向商業化落地與生態開放的一步。對開發者而言，如何將原生音頻理解能力整合進既有產品，將是後續值得關注的重點。
Reference Link : news.aibase.com
