科大讯飞宣布 Spark-Audio-1.0-Preview 上线，这是一款基于全国产化算力训练的语音基座大模型。

过去，大模型处理音频大多采用级联方案：先把语音转成文字，再交给大模型理解。这种做法有两个明显短板：一是信息丢失——文字只能记录说了什么，会丢掉语音里自带的语气、情绪以及背景环境音等关键信息，导致模型对场景判断不完整；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，模块之间存在断点，容易累积错误，体验上也会出现延迟、卡顿。

不再只做转写，而是直接“听懂”语音

语音基座大模型不再只做语音转文字，而是直接理解语音：一次性听懂人声、环境音、音乐等，还能理解声音里的语义、情绪和场景。

此次首发的 Spark-Audio-1.0-Preview 采用 0.65B（Dense 结构）的音频编码器，搭配 30B-A3B（MoE 结构）的大语言模型，使用了 1300 万小时音频以及大量文本数据，基于纯国产算力集群训练完成。在同一个模型中可输入文本和语音两个模态，支持语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析以及复杂的音频问答等任务，让机器从“听清”进一步走向“听懂”。与讯飞星火大模型的“1+N”体系类似，在语音基座大模型上也可进行微调，开发语音识别、语音同传、语音交互等专用模型或系统。

支持 99 种语言、202 种方言，复杂场景优势明显

官方称，Spark-Audio-1.0-Preview 在各项语音评测任务上效果整体相当、部分超过，尤其在复杂场景高噪声、小声说等偏真实应用类任务上明显领先；与尺寸更大的闭源语音基座模型相比，表现也十分接近。

该模型可支持 99 种语言及 202 种方言的识别。在多项任务中，与同尺寸的 Qwen3.5-omni-flash（35B-A3B）相比，在多语言、多方言语音识别的平均效果上表现出优势；与尺寸高一个数量级的 Qwen3.5-omni-plus 效果接近。在 Fleurs、Kespeech、LibriSpeech 等中英文、多语言、多方言语音识别评测中，其得分高于 Gemini-3.1 Pro，并在 Fleurs 中文测试集中取得 SOTA。

讯飞也坦言，此次发布的版本在通用知识、数学与代码等任务上没有出现明显降智，但在指令遵循、对话、音频理解等任务上仍有进步追赶空间，下一步将在巩固优势的同时补齐短板。目前，Spark-Audio-1.0-Preview 已正式开放体验，API 后续将上线讯飞开放平台。