科大讯飞星火SparkAudio 1.0上线API服务

驱动中国11月12日消息，科大讯飞宣布讯飞星火语音基座大模型SparkAudio 1.0已在讯飞开放平台提供API服务，开发者可直接接入调用。

该模型接受文本与语音两类输入，输出为文本，面向语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析以及复杂音频问答等任务。

科大讯飞方面称，传统音频处理多采用级联流程，先由语音识别转为文字，再交由大模型理解。该路径存在两类问题：一是文字仅保留说话内容，难以承载语气、情绪及背景环境音等信息，影响模型对场景的完整判断；二是语音转写、声纹识别、语音翻译等能力被拆分为独立模块串联，模块间存在断点，可能累积误差，并造成延迟、卡顿。

官方称，语音基座大模型将处理重点从“语音转文字”转向“直接理解语音”，可在一次处理中识别人声、环境音、音乐等音频内容，并解析其中的语义、情绪与场景。

相较上一代模型，SparkAudio 1.0的升级集中在三类能力。语言与方言覆盖方面，其支持99种语言、202种方言，可处理多语言语音识别与翻译任务。音频理解方面，能力由语音识别扩展至多维音频理解，可应用于智能客服、汽车座舱、跨语会议、医疗病历、内容审核等场景。算力底座方面，该模型采用全国产算力训练，面向开发者与行业应用提供自主可控的语音智能底座。

讯飞开放平台同时提供体验入口与API服务地址。