人工智能在语音技术领域的探索取得重大进展。科大讯飞近日正式宣布，其全新一代语音基座大模型——sparkaudio1.0已在讯飞开放平台全面上线api服务，开发者及企业用户即刻可接入并调用该能力。
突破传统级联架构：以原生语音大模型直面真实声音世界
长期以来，行业处理音频任务普遍依赖“级联式”技术路径：先通过ASR将语音转为文本，再交由语言大模型进行语义理解。但这一串行范式存在两大根本性局限：
信息衰减显著：纯文本仅能承载“字面内容”，却完全丢失了语调起伏、情感倾向、说话人身份特征以及环境噪声等丰富声学线索，致使系统在复杂语音场景下的感知与判断能力受限。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
流程割裂与响应迟滞：语音识别、声纹分析、语种判别、实时翻译等功能被拆解为多个独立模块依次执行，不仅易造成误差逐级放大，也在实际交互中引发明显延迟与体验卡顿。
为应对上述挑战，SparkAudio1.0实现了范式级革新。作为真正意义上的语音原生基座模型，它不再拘泥于“语音→文字”的单向映射，而是具备端到端听懂原始音频的能力。无论是人声对话、环境音效还是背景音乐，均可被统一建模；同时，模型还能同步解析其中蕴含的语义意图、情绪状态与物理场景上下文。
基于计算机视觉和大语言模型，对图像内容进行开放式问答，支持任意问题获得自然语言回答。
三大核心跃迁：覆盖更广、认知更深、底座更稳
相较既有语音技术方案，星火语音基座SparkAudio1.0在关键能力维度完成系统性升级：
听得更广：支持99种语言及202种方言识别，可高效应对高难度多语种混杂、低资源方言适配、跨语种实时转译等复杂需求。
理解更深：从单一语音转写进阶至多模态音频语义建模，精准捕捉言外之意与非语言信息，为智能客服、车载语音交互、跨国会议系统、临床语音录入、音视频内容风控等垂直场景提供坚实支撑。
用得更稳：全模型基于全国产化算力平台完成训练与优化，为开发者及各行业用户提供安全可信、自主可控的语音智能基础设施。
目前，SparkAudio1.0的在线体验入口与API接入通道均已全面开放，标志着语音大模型正加速迈向规模化商用与生态共建新阶段。
