讯飞语音大模型 SparkAudio 1.0 开放 API：99 种语言、202 种方言一次听懂

科大讯飞 11 月 12 日宣布，讯飞星火语音基座大模型 SparkAudio 1.0 已在讯飞开放平台上线 API 服务，开发者可以直接接入调用。

它和常见的语音方案不太一样。过去做音频处理，主流做法是级联：先把语音转成文字，再交给大模型去理解。这条路有两个毛病。一是信息丢失，文字只记下“说了什么”，语气、情绪、背景里的环境音全被丢掉，模型对场景的判断自然不完整。二是链路割裂，语音转写、声纹识别、语音翻译被拆成一个个独立模块串起来跑，模块之间有断点，错误容易一层层累积，用起来还会卡顿、延迟。

SparkAudio 1.0 换了个思路：不做语音转文字的中转，而是直接理解语音。人声、环境音、音乐一次性听进去，再理解声音里的语义、情绪和场景。它支持文本和语音两种输入，输出文本，能覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析和复杂的音频问答。

相比上一代，这次升级主要体现在三处。听得更多：支持 99 种语言、202 种方言，多语言识别和翻译都能处理。理解更透：从单纯的语音识别走到多维音频理解，能用在智能客服、汽车座舱、跨语会议、医疗病历、内容审核等场景。用得更广：全国产算力训练，给开发者和行业应用一个自主可控的语音底座。

对开发者来说，这意味着接入一次就能拿到“听懂”的能力，而不用自己拼装一条容易出错的流水线。