科大讯飞发布 Spark-Audio-1.0，全国产算力训练，支持 202 种方言

2026 年 9 月 16 日，科大讯飞宣布 Spark-Audio-1.0-Preview 上线，这是一款基于全国产算力集群训练的语音基座大模型。

技术路线：直接理解语音，不先转文字

传统语音处理方案采用级联架构——先把语音转成文字，再交给语言模型理解。这种做法有两个明显缺陷：文字会丢掉语气、情绪和背景音等非语言信息；多模块串联会累积误差并造成延迟。

Spark-Audio-1.0-Preview 的做法是直接处理原始语音，一次性理解人声、环境音、音乐，并同步解析语义、情绪和场景。官方将此描述为从"听清"走向"听懂"。

模型规格

• 音频编码器：0.65B Dense 结构
• 语言模型：30B-A3B MoE 结构
• 训练数据：1300 万小时音频 + 大量文本数据
• 训练算力：全国产算力集群（昇腾）

能力覆盖

Spark-Audio-1.0-Preview 支持 99 种语言和 202 种方言的识别，同时具备语音转写、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能力。

评测表现：

• 在 Fleurs 中文测试集上取得 SOTA
• 多项任务得分高于 Gemini-3.1 Pro
• 与尺寸高一个数量级的 Qwen3.5-omni-plus 效果接近
• 复杂高噪声和小音量场景下有明显领先优势

架构复用与商业化路径

与讯飞星火大模型的"1+N"体系相同，Spark-Audio 基座可通过微调衍生出专用模型：语音识别、语音同传、语音交互等均可在此基础上落地。这意味着企业客户可以基于同一底座，定制适配不同场景的专属语音能力。

接下来看什么

Spark-Audio-1.0-Preview 目前处于预览阶段，正式版的发布时间和 API 开放计划尚未披露。"全国产算力"这一标签在当前政策环境下具有独立价值——对于有信创要求的客户，这是商业选型的关键因素之一。