11 月 12 日，科大讯飞宣布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，开发者可直接接入调用。与常见语音方案不同，它不再把语音先转成文字，而是直接理解语音信号本身，支持文本与语音两种输入模态、文本模态输出。
从级联方案到语音基座
官方给出的对比很清楚。过去处理音频多采用级联方案，先语音转文字再交给大模型理解，短板有两个。一是信息丢失，文字只能记录说了什么，语音自带的语气、情绪与背景环境音会整段丢掉，模型对场景的判断因此不完整；二是链路割裂，语音转写、声纹识别、语音翻译拆成独立模块串联运行，模块之间存在断点，容易累积错误，也让使用体验出现延迟和卡顿。SparkAudio 1.0 一次性听懂人声、环境音与音乐，同时理解声音里的语义、情绪和场景。
能力边界与获取方式
这次升级集中在三处。听见更多，支持 99 种语言、202 种方言，覆盖多语言语音识别与翻译任务。理解更透，从语音识别延伸到多维音频理解，支持智能客服、汽车座舱、跨语会议、医疗病历、内容审核等场景。用得更广，模型基于全国产算力训练，面向开发者和行业提供自主可控的语音智能底座。任务覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析与复杂音频问答。开发者可以在讯飞开放平台的 Spark Audio 体验入口调试，API 地址为 xfyun.cn 的 Spark_Audio_1.0 服务。语音方向的技术细节，可以对照站内 讯飞医疗星火 V3.7 的实测记录。
延伸阅读
- Block 发布纯语音模型 Dessa：单台 GB200 训练，M4 Max 本地跑3 周前
- Ollama 离线语音提速 35%：Phonon 首次内置 TTS2 周前
- Soul 推出 Loxinity：2 款模型做实时语音与数字人2 周前
- 讯飞星火 X2.6：293B 国产算力训练，4B 端侧 BFCL 拿 71.8 分3 周前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。
继续读
往下这几篇值得接着看：
- ElevenLabs Scribe v3 发布：102 语言 词错率降 25%2026-11-13
- DeepL 发布 Aure 语音模型：8 语种保留语气与情绪2026-11-12
- DeepL Aure 语音模型：8 语种与 76% 翻译错误下降深度2026-11-13