科大讯飞星火 SparkAudio 1.0 语音基座大模型正式发布99 种语言 202 种方言,API 已开放接入

核心结论先给到:科大讯飞在 2026 全球 1024 开发者节上正式发布了星火语音基座大模型 SparkAudio 1.0,它不再走 "先语音转文字、再交给大模型理解" 的传统级联路线,而是直接对语音、环境音、情绪做原生理解;模型支持文本和语音两路输入、文本输出,覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析和复杂音频问答等任务,官方口径支持 99 种语言、202 种方言。相比上一代,整体效果提升 20%、响应时间降低 15%、成本降低 60%,并且基于昇腾 910B、海光 BW1000 等国产芯片完成全流程训练。11 月 12 日,该模型已在讯飞开放平台上线 API 服务,开发者可以直接接入调用。iflytekresearch.iflytek.com

一、发布背景:为什么要做语音基座大模型

过去行业处理音频,大多采用级联方案:先用语音识别把声音转成文字,再把文字喂给大模型做理解。这条链路有两个绕不开的短板:

痛点具体表现
信息丢失文字只能记录 "说了什么",语气、情绪波动、说话人特征、背景环境音等声音自带的维度会在转写过程中丢掉,复杂场景判断不完整
链路割裂语音转写、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,错误逐级累积,体验上容易出现延迟和卡顿

语音基座大模型要解决的就是这个问题:不再只做语音转文字,而是一次性听懂人声、环境音、音乐等各类声音,并理解其中的语义、情绪和场景,让智能语音从 "听清说了什么" 走向 "听懂发生了什么"。

二、发布时间线与落地节奏

  • 2026 年 9 月:Spark-Audio-1.0-Preview 预览版上线,基于全国产化算力训练,支持 99 种语言和 202 种方言识别。
  • 2026 年 10 月 22 日:2026 科大讯飞全球 1024 开发者节主论坛在北京国家会议中心二期举行,董事长刘庆峰现场正式发布 SparkAudio 1.0,同期还发布了星火 X2.6 端云一体大模型和具身多模交互技术。
  • 2026 年 11 月 12 日:SparkAudio 1.0 在讯飞开放平台上线 API 服务,开发者可直接接入调用,标志模型从预览体验阶段进入面向产业应用的服务阶段。

三、能力清单:一个模型覆盖哪些语音任务

SparkAudio 1.0 支持文本和语音两个模态输入、文本模态输出,主要场景任务包括:

  • 语音转写:中英文混合、专业术语、多人交叠发言等复杂条件下的识别。
  • 多语言翻译与同传:跨语言识别与翻译,支持增量流式语义驱动,压低实时交互和同传延迟。
  • 多方言识别:覆盖 202 种方言,面向本地化服务场景。
  • 环境音理解:辨别喇叭声、叫卖声、车轮摩擦声等背景声音,并从声音线索推理周围环境。
  • 说话人分离:多人交谈中区分不同发言者,支持抢话、交叠场景下的身份对应。
  • 情感分析:从话语和语气中理解情绪与诉求。
  • 复杂音频问答:对音频内容做感知与推理,回答基于声音场景的问题。

官方列出的典型落地场景包括智能客服、汽车座舱、跨语会议、医疗病历、内容审核等。

四、三项核心技术创新

官方把这次效果、时延、成本的改善,归结为三项技术创新:

技术模块名称做了什么解决的问题
半监督音频编码器SemiEnc预训练时把量化器的输入从原始声学特征,升级为结合有监督数据的专项模型提取的强化表征,引入多维度信息先验,通过多任务训练强化编码器建模能力提升各项语音与音频理解任务的整体效果
动态分段端到端建模S-S2S以语音到语音的端到端建模为基础,打通识别、理解、生成模块的时序壁垒,支持增量流式语义驱动提前生成、动态反馈校正在保证效果的同时压低语音同传、实时语音交互的响应延迟
双范式协同解码CoDec先由非自回归 CTC Decoder 并行解码一次性出结果,再由 LLM 自回归模块通过投机解码判断是否介入、从何处开始自回归修正保证效果的同时,大幅降低平均推理时延和计算成本

三项创新共同对应官方公布的指标:整体效果提升 20%、响应时间降低 15%、成本降低 60%。需要注意,这些数字来自官方测试口径,不同业务场景下实际表现会有差异。iflytekresearch.iflytek.com

五、产品落地与生态进展

已上线的消费与办公产品:

  • 讯飞输入法 16.0、讯飞听见、讯飞智能办公本、讯飞翻译机。
  • 智能办公本基于该模型实现三项增强:手写标注说话人姓名后后续发言自动对应;抢话、多人交叠发言仍能准确区分;中英混合与专业术语精准识别。
  • 现场首发的讯飞 AI 录音环支持说话人实时识别,综合识别准确率超过 96%,2 小时录音转写仅需 2 分钟。

结合多模态能力赋能的场景: 星火智慧座舱 3.0、讯飞 AI 眼镜、具身智能等产品中深度接入,沿 "语音交互 — 多模交互 — 具身多模交互" 的路径推进人机交互。

算力底座: 模型基于昇腾 910B、海光 BW1000 等国产芯片完成全流程训练,官方定位是提供自主可控的语音智能底座。

六、接入方式与当前边界

  • API 入口:讯飞开放平台 Spark-Audio-1.0 服务页,开发者可申请试用、进入控制台或查看接口文档。
  • 体验入口:讯飞研究院提供的模型体验页面可在线试用相关能力。
  • 当前版本边界:官方接口说明中,模型输入为文本和语音、输出为文本;本版本不直接输出音频语音,若需要语音回复,需另外对接一层语音合成能力;各语言、各方言的识别准确率并不相同,官方接口说明未公布逐语种字错率等细化指标,实际效果以业务场景实测为准。

七、小结

SparkAudio 1.0 是科大讯飞把多年积累的语音识别、语音交互能力收敛到同一个语音基座上的一次升级:技术上用半监督编码、端到端建模和双范式解码兼顾效果、时延与成本;能力上从单纯听清扩展到情绪、环境音和音频问答;商业上先在自有软硬件产品中落地,再通过开放平台 API 向开发者和行业客户输出。对开发者而言,现在可以直接在开放平台调用这套国产语音基座能力,接入客服、座舱、会议、病历、审核等场景;后续值得关注的是多语种多方言在真实嘈杂场景下的实测表现,以及模型是否会进一步开放音频输出能力。

【相关 FAQ】

问题 1:科大讯飞星火 SparkAudio 1.0 语音基座大模型是在哪里、什么时候正式发布的?

回答 1:SparkAudio 1.0 在 2026 年 10 月 22 日举行的 2026 科大讯飞全球 1024 开发者节主论坛上正式发布,由董事长刘庆峰现场介绍;此前 9 月份曾上线 Spark-Audio-1.0-Preview 预览版,11 月 12 日模型 API 在讯飞开放平台正式开放接入。

问题 2:SparkAudio 1.0 语音基座大模型支持多少种语言和方言,能完成哪些任务?

回答 1:官方口径支持 99 种语言、202 种方言识别;任务覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析和复杂音频问答,输入支持文本和语音、输出为文本,典型场景包括智能客服、汽车座舱、跨语会议、医疗病历和内容审核。

问题 3:SparkAudio 1.0 相比传统 "语音转文字再理解" 的级联方案,核心改进是什么?

回答 1:传统级联方案先把语音转成文字再交给大模型,会丢失语气、情绪、说话人特征和背景环境音,且模块串联容易累积错误、增加延迟;SparkAudio 1.0 作为语音基座大模型直接原生理解语音,一次性感知人声、环境音、语义和情绪,配合半监督音频编码器、动态分段端到端建模和双范式协同解码,官方测试整体效果提升 20%、响应时间降低 15%、成本降低 60%。

问题 4:开发者现在怎么接入 SparkAudio 1.0,API 已经开放了吗?

回答 1:已经开放。2026 年 11 月 12 日起,SparkAudio 1.0 在讯飞开放平台上线 API 服务,开发者可在服务页申请试用、进入控制台并查看接口文档;同时讯飞研究院提供在线体验页面。需要注意当前版本输出为文本,不直接生成语音,语音回复需另行对接语音合成能力。

问题 5:SparkAudio 1.0 是基于什么算力训练的,已经落地到哪些产品?

回答 1:模型基于昇腾 910B、海光 BW1000 等国产芯片完成全流程训练;目前相关能力已上线讯飞输入法 16.0、讯飞听见、讯飞智能办公本、讯飞翻译机等产品,并在星火智慧座舱 3.0、讯飞 AI 眼镜、具身智能等产品中结合多模态能力深度赋能。

【参考资料】

  • [2026-11-13](科大讯飞推出支持 99 种语言的 SparkAudio 1.0 语音 API 服务)虎嗅网
  • [2026-11-13](iFLYTEK Spark Speech Foundation Large Model SparkAudio 1.0 Officially Launches API Service)AIbase
  • [2026-11-12](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)IT 之家
  • [2026-10-27](国产大模型用上全国产算力)金台资讯(今日头条)
  • [2026-10-26](讯飞星火语音基座大模型 SparkAudio 1.0)讯飞研究院
  • [2026-10-25](科大讯飞投资者关系活动主要内容介绍)深交所互动易
  • [2026-10-23](端云协同成为 AI 落地新路径 科大讯飞发布星火 X2.6 及系列产品)新华网安徽频道
  • [2026-10-23](噪杂环境中能 "听懂发生了什么"!讯飞星火语音基座大模型 SparkAudio1.0 发布)大皖新闻(今日头条)

【免责声明】

本文信息整理自科大讯飞官方研究院、讯飞开放平台文档及公开媒体报道,文中效果提升、响应时间、成本下降、识别准确率、语言与方言数量等数据均为官方披露口径,未经独立实测复核;不同业务场景、硬件环境和音频条件下的实际表现可能存在差异。API 配额、价格、功能边界与版本迭代以讯飞开放平台官方页面和接口文档为准,本文不构成任何接入承诺或商业建议,使用者应自行评估并承担相关落地风险。

本文来自作者[碎序回响官]投稿,不代表岳鹿科技网立场,如若转载,请注明出处:https://www.newsyuelu.com/bdt/202611/1157.html

赞 (0)
反馈

发表回复

本站作者后才能评论

评论列表(4条)

  • 碎序回响官
    碎序回响官 2026年11月17日

    我是岳鹿科技网的签约作者“碎序回响官”!

  • 碎序回响官
    碎序回响官 2026年11月17日

    希望本篇文章《科大讯飞星火 SparkAudio 1.0 语音基座大模型正式发布99 种语言 202 种方言,API 已开放接入》能对你有所帮助!

  • 碎序回响官
    碎序回响官 2026年11月17日

    本站[岳鹿科技网]内容主要涵盖:互联网行业的追踪与探索

  • 碎序回响官
    碎序回响官 2026年11月17日

    本文概览:核心结论先给到:科大讯飞在 2026 全球 1024 开发者节上正式发布了星火语音基座大模型 SparkAudio 1.0,它不再走 "先语音转文字、再交给大模型理解 " 的传统级联路线,而是直接对语音、环境音、情绪做原生理解;模型支持文本和语音两路输入、文本输出,覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析和复杂音频问答等任务,官方口径支持 99 种语言、202 种方言。相比上一代,整体效果提升 20%、响应时间降低 15%、成本降低 60%,并且基于昇腾 910B、海光 BW1000 等国产芯片完成全流程训练。11 月 12 日,该模型已在讯飞开放平台上线 API 服务,开发者可以直接接入调用。iflytekresearch.iflytek.com

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们