科大讯飞 SparkAudio 1.0 上线 API：支持 99 种语言、202 种方言

据 IT之家 11 月 12 日报道，科大讯飞宣布，星火语音基座大模型 SparkAudio 1.0 已在讯飞开放平台上线 API 服务，开发者可直接接入调用。该模型支持文本、语音两种模态输入，并以文本形式输出结果，覆盖语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析及复杂音频问答等任务。此次开放的重点，不只是增加语音识别接口，而是将面向声音内容的综合理解能力提供给应用开发者。

从“先转文字”转向直接理解音频

过去，语音应用常采用级联方案：先由语音识别系统生成文字，再把文字交给大模型处理。科大讯飞指出，这一路径存在信息损失和链路割裂两类问题。转写文本能够保留讲话内容，却难以完整承载语气、情绪及背景环境音；当语音转写、声纹识别、翻译等模块分别运行时，也可能出现错误逐层传递，以及延迟、卡顿等体验问题。

按照官方介绍，SparkAudio 1.0 的思路是直接理解语音，同时处理人声、环境音、音乐等音频信息，并分析其中的语义、情绪与场景。换言之，它希望回答的不仅是“说了什么”，还包括声音呈现了怎样的情境。需要注意的是，当前公布的输出模态为文本，不能据此将其等同于可直接生成语音回复的端到端语音对话服务。

语言覆盖与任务范围有哪些变化

科大讯飞将相较上一代模型的升级概括为语言覆盖、多维音频理解及底层算力三个方向，主要信息包括：

• 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。
• 从语音识别扩展至多维音频理解，支持情感分析、环境音理解、说话人分离和复杂音频问答等任务。
• 官方称模型采用全国产算力训练，面向开发者和行业应用提供自主可控的语音智能底座。

官方列出的应用方向包括智能客服、汽车座舱、跨语会议、医疗病历及内容审核。这些场景对声音的关注点并不相同：会议处理需要区分发言者并理解内容，客服应用可能同时关注诉求与情绪，座舱应用则需要面对环境声音。统一的音频理解接口，有望让开发者减少对多个独立能力模块的拼接。

产业解读：接入更直接，实际效果仍需验证

此次 API 上线的意义，在于让语音基座模型从能力展示走向可调用的开发服务。对于已有文本大模型应用的团队，文本输出也便于衔接摘要、检索、工单整理等后续流程，让音频成为业务系统能够处理的信息入口。

不过，语言和方言的覆盖数量并不等于所有场景下的效果保证。现有来源没有披露各语种准确率、复杂噪声测试、调用价格或延迟指标，因此实际可用性仍要结合业务音频测试。对中文开发者而言，值得关注的趋势是：语音 AI 的竞争正从单项转写能力，延伸到对内容、情绪与声学环境的联合理解；能否稳定接入真实工作流，将是判断这类服务价值的重要依据。