科大讯飞正式上线Spark-Audio-1.0-Preview，这是一款基于全国产算力训l练的语音基座大模型。
此前音频大模型普遍采用级联方案，先将语音转成文字再交由模型理解，存在两处明显短板：一是信息丢失，会遗漏语气、情绪、环境音等
关键信息；二是链路割裂，多模块串联运行易累积错误，还会出现延迟卡顿。
这款语音基座大模型可直接理解语音，一次性识别人声、环境音、音乐等内容，同时读懂语义、情绪与场景，解决了传统方案的痛点。
Spark-Audio-1.0-Preview是地道的国产语音基座大模型，采用0.65B音频编码器搭配30B-A3B大语言模型，基于1300万小时音频与海量文本数据，通过纯国产算力集群训练完成。它支持音文双模态输入，可完成语音转写、多语言翻译等多项任务，覆盖99种语言与202种方言，推动机器从“听清”走向“听懂”。该模型多项评测表现亮眼，复杂场景优势明显，通用能力无明显降智，后续将巩固优势、补齐短板。
音频公开测试集
自建音频测试集
复杂场景自建音频测试集
文本公开测试集
注：ASR语音识别相关任务以WER、CER为评价指标，数值越低表现越好；S2TT语音翻译任务采用BLEU分作为评价指标；其余任务均使用准确率指标，数值越高表现越好。
目前Spark-Audio-1.0-Preview已正式开放体验，相关API后续将上线讯飞开放平台。
