科大讯飞正式在讯飞开放平台上线星火语音基座大模型 SparkAudio 1.0 的 API 调用服务，开发者现在可以直接接入这套全国产算力训练的音频基座，模型支持语音、文本双输入，输出文本结果，一口气覆盖 99 种语言加上 202 种方言；和传统拆分式语音方案不一样，它不是先转文字再交给大模型，而是端到端直接理解整条音频，既能做普通的语音转写、翻译，还能识别环境音、区分不同说话人、抓取情绪、回答音频相关问题，解决老方案容易丢语气、背景信息、误差层层累积、延迟偏高的痛点，适合智能座舱、会议系统、客服录音、方言采集、跨语种直播字幕等场景落地，也支持开发者在基座之上微调，打造垂直场景的语音能力。
一、SparkAudio 1.0 基础规格清单
| 项目 | 参数说明 |
|---|---|
| 模型架构 | 0.65B 音频编码器 + 30B‑A3B MoE 语言模型 |
| 训练资源 | 1300 万小时音频数据，配套海量文本，全国产算力训练 |
| 语言方言 | 99 门语言，202 种方言识别 |
| 输入输出 | 语音、文本双模态输入，文本输出 |
| 核心任务 | 语音转写、多语种翻译、方言识别、环境音理解、说话人分离、情感分析、音频问答 |
| 技术创新点 | 半监督音频编码器、动态分段端到端建模、双范式协同解码 |
| 官方优化指标 | 整体效果提升 20%，响应时延下降 15%，推理成本降低 60% |
| 接入渠道 | 讯飞开放平台，提供公有云 API，支持流式调用 |
二、和传统级联语音方案的差别
传统方案是流水线模式：音频→ASR 转文字→交给大模型理解。这套模式有明显短板，语音里的语气、情绪、环境噪声、声源信息在转写环节直接丢失；识别、翻译、声纹模块互相独立，一处出错后面跟着错，链路长带来更高延迟。
SparkAudio 1.0 属于一体化语音基座，整条音频直接进入模型做联合建模，人声、环境音、情绪、语义一起解析。哪怕多人同时说话、背景嘈杂，它也可以分开识别不同说话人，同时读懂音频里面附带的情绪和场景线索，不再只盯着文字内容。
三、适合落地的业务场景
- 多语种、多方言会议同传
- 车载智能座舱
- 客服、售后录音质检
- 内容审核与音频归档
- 面向下沉市场方言产品
适合线下跨国会议、基层政务录音，很多小众方言、小语种都可以直接识别翻译，不用单独部署一套方言模型。
车内杂音多、多人交互场景，分离主驾、副驾指令，同时识别车内环境声音，做语音交互和安全提醒。
自动抓取通话情绪、定位客户不满，区分坐席和客户，基于整段音频做问答复盘，不止提取文字。
播客、短视频、直播音频批量理解，识别违规内容、统计声源、识别背景音乐和环境事件。
面向县域、乡村的设备，听懂各地方言，降低方言语音产品单独训练的成本。
四、开发者接入实操步骤
第一步，登录讯飞开放平台，找到 SparkAudio 1.0 的 API 入口，查看接口文档、申请调用密钥。
第二步，确认业务形态，如果是实时语音优先选择流式接口；如果是事后录音文件分析，使用文件上传接口。
第三步，评估语种和方言需求，确认目标语种、方言在 99 种语言、202 种方言覆盖清单内，冷门方言提前做测试。
第四步，针对噪声、多人混声场景做样本测试，该模型优势就是嘈杂环境，但极端强干扰场景依旧需要评估效果。
第五步，如果业务有专属口音、行业术语，可以基于基座做微调，再封装成自己的语音服务。
第六步，对接计费、限流策略，正式上线前做好压测，控制推理成本。
整体来看，SparkAudio 1.0 API 的开放，意味着国内开发者可以拿到一套一体化音频理解底座，不再是零散的语音工具包。它最大的亮点就是把方言、小语种覆盖拉到很高水平，并且端到端建模保住音频里的附加信息；这套模型主打 “听懂声音背后的场景”，适合想要做复杂音频理解，而不只是简单录音转文字的团队。
【常见问题】
问题 1：科大讯飞 SparkAudio 1.0 星火语音基座大模型 API，一共支持多少语言和方言？
回答 1：科大讯飞 SparkAudio 1.0 星火语音基座大模型 API，支持 99 种语言以及 202 种方言识别，是这套语音基座最突出的能力之一，适合国内多方言、跨境多语种音频场景。
问题 2：科大讯飞 SparkAudio 1.0 星火语音基座大模型，和普通语音识别 API 有什么不一样？
回答 2：普通语音识别 API 大多是级联方案，先转文字再交给大模型；科大讯飞 SparkAudio 1.0 星火语音基座大模型是端到端一体化建模，可以直接理解音频，同时解析语义、情绪、环境音、区分说话人，不会丢掉音频里的声学信息。
问题 3：科大讯飞 SparkAudio 1.0 星火语音基座大模型，是用什么算力训练出来的？
回答 3：科大讯飞 SparkAudio 1.0 星火语音基座大模型全部基于国产算力集群训练，使用国产加速卡，属于自主可控的语音基座，也方便有国产化要求的企业接入这套 API。
问题 4：科大讯飞 SparkAudio 1.0 星火语音基座大模型 API，能实现哪些音频任务？
回答 4：接入科大讯飞 SparkAudio 1.0 星火语音基座大模型 API，可以完成语音转写、多语言翻译、方言识别、环境音理解、说话人分离、情感分析，还支持针对音频内容直接问答。
问题 5：普通开发者怎么调用科大讯飞 SparkAudio 1.0 星火语音基座大模型？
回答 5：开发者前往讯飞开放平台，找到 SparkAudio 1.0 服务页面，申请密钥，就可以直接调用星火语音基座大模型的 API，支持实时流式音频和上传音频文件两种调用方式，也支持基于基座微调。
【参考资料】
[2026-11-12]（科大讯飞星火语音基座大模型 SparkAudio 1.0 上线 API 服务，支持 99 种语言、202 种方言）IT 之家
[2026-11-12]（讯飞开放平台上线 SparkAudio 1.0，一体化音频基座开放调用）凤凰网科技
[2026-10-26]（讯飞研究院发布 SparkAudio 1.0 技术细节：端到端语音基座）讯飞研究院官网
[2026-10-28]（SparkAudio 1.0：声源混叠场景也能解析，语音基座分层落地）智东西
[2026-09-16]（科大讯飞发布 Spark-Audio-1.0-Preview，99 种语言 202 方言）中国经营网
[2026-10-20]（36 氪：SparkAudio 预览版完成评测，API 计划上线）36 氪
【免责声明】
本文仅整理科大讯飞公开发布的 SparkAudio 1.0 星火语音基座大模型相关信息，不构成技术采购、项目落地投资建议。99 种语言、202 种方言覆盖为官方标注范围，不同方言、小语种在噪声、口音复杂环境识别效果存在差异；API 计费、调用配额、限流规则、私有化方案以讯飞开放平台最新文档为准；模型效果指标来自官方实验室测试，实际业务效果受音频质量、信噪比、发音习惯影响。