科大讯飞近日宣布，Spark-Audio-1.0-Preview正式上线，这是一款基于全国产化算力训练的语音基座大模型。
传统大模型处理音频多采用级联方案，先转写文字再交给大模型理解，存在信息丢失和链路割裂两大短板：文字会丢掉语气、情绪与背景音，独立模块串联也容易累积错误并带来延迟卡顿。语音基座大模型则直接理解语音，一次性听懂人声、环境音与音乐，并理解其中的语义、情绪和场景。
该模型采用0.65B音频编码器搭配30B-A3B的MoE大语言模型，使用1300万小时音频及大量文本数据，在纯国产算力集群上训练完成。同一模型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、情感分析及复杂音频问答等任务，让机器从“听清”走向“听懂”。
官方称，该模型在各项语音评测任务上整体相当、部分超过同类产品，尤其在高噪声、小声说等真实应用场景中明显领先，与尺寸更大的闭源语音基座模型表现也十分接近。它可支持99种语言及202种方言识别，在Fleurs-中文测试集中取得SOTA，得分高于Gemini-3.1 Pro，并在多语言、多方言识别上优于同尺寸的Qwen3.5-omni-flash。
此外，该模型在通用知识、数学与代码等任务上未出现明显降智，指令遵循与音频理解仍有进步空间。目前Spark-Audio-1.0-Preview已开放体验，API后续将上线讯飞开放平台。