mylogs.cn

讯飞 Spark-Audio 发布：纯国产算力炼出语音大模型

2026 年 9 月 16 日

发布于

科大讯飞于 9 月 16 日宣布 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，标志着智能语音从“听清”向“听懂”迈进。

从级联到端到端

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。这种做法存在两个短板：一是信息丢失，文字只能记录说了什么，会丢掉语音里的语气、情绪与背景环境音等关键信息；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，模块间存在断点，容易累积错误并带来延迟。

语音基座大模型要解决的正是这些问题：它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，并理解声音里的语义、情绪与场景。

模型结构

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。

评测表现

Spark-Audio-1.0-Preview 可支持 99 种语言及 202 种方言的识别。与同尺寸的 Qwen3.5-omni-flash（35B-A3B）相比，其在多语言、多方言语音识别上展现优势；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任务中，Spark-Audio-1.0-Preview 得分高于 Gemini-3.1 Pro；在 Fleurs-中文测试集中取得了 SOTA。面向更实际的应用场景，在高噪声、小音量等复杂条件下的语音识别评测任务中，该模型也有较为明显的领先优势。

在通用知识、数学与代码等任务上，Spark-Audio-1.0-Preview 没有出现明显降智；同时在指令遵循、对话、音频理解等任务上仍有进步追赶空间。