全国产算力语音大模型SparkAudio 1.0发布，混叠声源精准解析

用全国产算力训练的底座，破局智能语音不可能三角。

科大讯飞发布语音基座大模型SparkAudio 1.0，在刑侦场景演示中，模型能从数种声源混叠的音频里分析被拐孩子所处位置，几秒内给出判断：周围是大型机械设备规律性噪音，可能在火车或地铁上。模型将汽车声、机械声与孩子描述的“汽车在开会”“圆圆的车”等抽象内容对应，分析出周围可能有大量体积较大的车，并通过声音线索给出位置关键特征。不过模型未结合两段音频做综合判断，也未分析音频中的短促警示音。尽管如此，SparkAudio 1.0已展现帮助专业人士挖掘音频潜在线索的能力。

语音是下一代AI应用核心交互载体，智能座舱、AI眼镜、人形机器人等场景要求模型在动态复杂环境中同步感知声音、理解意图、协调行动。科大讯飞沿“语音交互—多模交互—具身多模交互”进阶，上周1024开发者节发布SparkAudio 1.0，并形成分层落地思路：先搭建通用语音基座完成统一音频预训练，学习人声、环境声、时序关联、说话人关系等通用表征；再提升识别、同传、实时交互等基础能力，拓展音频理解、情绪识别、实时说话人分离和环境声理解；最后由语音专用任务大模型面向具体任务调优，平衡效果、精度、时延与工程成本。

SparkAudio 1.0支持文本、语音双模态输入及文本输出，可完成语音转写、多语言翻译、多方言识别、环境音识别、说话人分离、情感分析及复杂音频问答等任务。基准测试显示，其表现优于业界多款SOTA闭源模型，指令跟随方面与其他模型持平。为补强表征能力、压缩端到端时延、降低推理算力开销，科大讯飞采用三大核心技术：半监督音频解码器SemiEnc，将量化器输入升级为结合有监督数据构建的强化表征，通过多任务训练强化编码器建模能力；动态分段端到端建模S-S2S，打通识别、理解、生成模块时序壁垒，支持增量流式语义驱动提前生成与动态反馈校正，压低同传和实时交互延迟；双范式协同解码CoDec，通过非自回归CTC Decoder并行解码，再由LLM自回归模块投机解码判断是否介入及从何处修正，兼顾效果并降低平均推理时延和计算成本。

在基座之上，科大讯飞孵化出三大语音专用任务大模型：星火语音识别大模型Spark-ASR-2.0、星火语音同传大模型Spark-LiveTranslation和语音交互大模型Spark-Audio-Realtime。Spark-ASR-2.0能在准确识别同时结合上下文逻辑与语境理解，输出连贯内容，剔除语气词、重复表达等冗余信息，数字、单位、标点格式规范。讯飞输入法16.0已接入该模型。官方测试显示，其在方言、高噪和小音量上较业界最好水平有显著优势，主要任务效果均好于业界最优水平。其构建了非自回归识别与LLM增强自回归识别专用架构，并针对中英文混合场景数据匮乏、上下文融合等进行了增强。

Spark-LiveTranslation实测MOS评分由4.4提升至4.6，S2S响应时间明显缩短。模型提升场景感知、长历史理解、播报长度调控和复杂场景鲁棒性，能区分长篇演讲、双人对话、多人回忆并选择适合的“翻译质量—翻译延迟”策略；将长历史语境纳入当前理解，提升篇章级翻译一致性；结合播报状态动态调控译语长度，积压时在不丢失主旨前提下采用更紧凑表达；能结合领域语境准确翻译专业术语，如区分“三甲医院”与“三乙医院”。后续将上线讯飞听见、讯飞AI眼镜。

Spark-Audio-Realtime面向多轮对话场景深度优化。大模型时代，语音技术竞争壁垒已从WER等单点指标转向音频预训练数据体系、架构选择、算力自主与端云一体化闭环等方向。