摘要：
2026年9月16日，科大讯飞推出Spark-Audio-1.0-Preview，一款全国产语音基座大模型。它最特别的地方不是参数，而是路线：不让语音先转... 2026年9月16日，科大讯飞推出Spark-Audio-1.0-Preview，一款全国产语音基座大模型。它最特别的地方不是参数，而是路线：不让语音先转成文字再理解，而是让模型直接听懂语音本身。模型采用0.65B音频编码器加30B-A3B MoE架构，基于纯国产算力集群训练，使用1300万小时音频数据，支持99种语言与202种方言识别，Fleurs中文测试集取得SOTA。
传统语音处理是级联方案：先ASR转写，再交给大语言模型理解。短板很明显——文字只记录说了什么，丢掉语气、情绪和背景音；多个模块串联还会累积错误、增加延迟。Spark-Audio把语义、情绪、场景理解收进同一个模型，直接对语音建模，相当于从“先翻译再理解”变成“直接听懂”。
纯国产算力训练是另一个看点。模型基于国产算力集群完成训练，文本任务没有明显降智。对语音基座来说这很关键：不少语音方案转向音频后，文本推理能力会下滑。Spark-Audio在通用知识、数学与代码上保持水平，说明它没有为了语音牺牲语言智能。
多语言、多方言覆盖是其强项。99种语言加202种方言，对出海客服、跨境内容、方言地区语音输入都是刚需。官方对比中，它与同尺寸Qwen3.5-omni-flash相比在多语言、多方言识别上占优，并与更大尺寸的Qwen3.5-omni-plus效果接近。在Fleurs、Kespeech、LibriSpeech等评测中，得分高于Gemini-3.1 Pro，Fleurs中文测试集SOTA。大噪声、小音量等真实环境下优势更明显，这正是级联方案最容易失效的地方。
同一模型支持文本与语音双模态输入，覆盖语音转写、多语言翻译、方言识别、环境音识别、说话人识别、情感分析与音频问答。类似讯飞星火1+N体系，语音基座也支持微调，可派生语音识别、同传、交互等专用模型。在AI工具导航的视角下，这类语音基座正在成为音频类工具的新底层——过去需要多个模型串联的语音工作流，现在可以收进一个模型。
与同类比：StepAudio 3走五款模型系列化路线，Qwen-Audio-3.0-Realtime侧重低延迟双工交互，Voxtral Transcribe 2以开源实时版权重和按分钟计费切入批量转写。Spark-Audio的差异是训练算力完全国产化，以及端到端语音理解。对于关注AI办公软件推荐的团队，会议记录、客服质检、多语言内容转写等场景可以直接受益——高噪声、小音量条件下的识别稳定性，往往决定这些工具能否真正落地。
应用场景包括语音转写与会议记录、多语言与方言场景、复杂环境拾音、语音智能体与专用模型。适用人群：需要语音识别与音频理解的开发者与企业、对训练算力与数据合规有国产化要求的团队，以及出海客服、媒体转写、语音智能体从业者。
目前Spark-Audio-1.0-Preview通过科大讯飞官方体验中心开放试用，尚未开源，未公布权重与许可证，暂不支持本地部署。商业化定价与配额以官方公示为准。想尝鲜的开发者可以先去体验中心试听，用真实样本验证复杂条件下的表现，再规划微调与接入。
在语音模型竞争从“能转写”走向“能听懂”的当下，Spark-Audio把国产算力和端到端语音理解绑在一起，给了一条不依赖海外算力链的路线。它能不能成为语音智能体的默认底座，还要看后续开源与定价，但方向已经很清楚。