Spark-Audio-1.0-Preview 是科大讯飞于 2026 年 9 月 16 日推出的语音基座大模型，也是讯飞星火体系在语音赛道的平台级产品。该模型采用 0.65B Dense 音频编码器搭配 30B-A3B MoE 大语言模型，基于全国产化算力集群完成训练，可一次性听懂人声、环境音与音乐，并输出其中包含的语义情绪与场景，形成面向语音理解任务的国产 AI 系统。
核心要点
- 0.65B Dense 音频编码器加 30B-A3B MoE 大模型，支持语音与文本双模态输入
- 训练数据包含 1300 万小时音频与大量文本，基于纯国产算力集群完成
- 支持 99 种语言与 202 种方言识别，覆盖转写翻译声纹识别与情感分析
- Fleurs 中文集评测取得 SOTA，多项任务得分高于 Gemini-3.1 Pro
- 与传统级联方案相比，规避信息丢失与链路割裂两大短板
- 已开放线上体验，API 后续上线讯飞开放平台
产品详情
传统方案先把语音转成文字再交给大模型理解，会丢失语气情绪与环境音信息。Spark-Audio-1.0-Preview 直接理解原始语音，一次分辨人声环境音与音乐，并理解其中语义情绪与场景。
模型音频编码器为 0.65B，大语言模型采用 30B-A3B 混合专家结构。训练数据 1300 万小时音频，在 Fleurs、KeSpeech、LibriSpeech 等中英文多语言多方言任务上表现稳定，本次上线版本号为 2026.9.16。
从听清到听懂
面向真实场景，该模型在高噪声与小声说话等复杂条件下语音识别领先，把语音从听清推进到听懂，可在语音识别、语音同传与翻译等业务中微调落地。
与竞品对比
在语音基座模型的对比中，Spark-Audio 与 Qwen3.5-omni-flash 和 Gemini-3.1 Pro 的区别主要体现在训练算力来源与多语言覆盖，具体对比见表。
| 对比项 | Spark-Audio-1.0-Preview | Qwen3.5-omni-flash | Gemini-3.1 Pro |
|---|---|---|---|
| 训练算力 | 全国产化集群 | 未公开 | 海外算力 |
| 语言覆盖 | 99 种语言 202 种方言 | 多语言 | 多语言 |
| Fleurs 中文集 | SOTA | 常规表现 | 常规表现 |
常见问题
问. Spark-Audio-1.0-Preview 是什么？它是科大讯飞推出的全国产语音基座大模型，直接理解原始语音中的语义情绪与场景，支撑语音转写、翻译与识别任务。
问. 语音基座大模型如何使用？目前已开放线上体验，API 后续上线讯飞开放平台，开发者可在语音识别、语音同传等业务中微调落地。
问. 与 Qwen3.5-omni-flash 和 Gemini-3.1 Pro 相比有什么区别？Spark-Audio 基于国产算力训练，多语言多方言覆盖更广，模型未采用 MIT 或 Apache 协议，通过讯飞开放平台授权提供。
问. 模型获取方式与价格？线上体验已免费开放，API 接入费用以讯飞开放平台公示为准，暂未公布订阅套餐。
最后更新 2026 年 9 月，更新日志显示 Spark Audio 语音模型由 iFlytek 团队维护，社区贡献者参与方言语音评测数据建设。
本文来源，科大讯飞《基于全国产化算力训练，讯飞星火语音基座大模型 Spark-Audio-1.0-Preview 上线》https://www.ithome.com/1/003/173.htm
