科大讯飞SparkAudio 1.0开放API,覆盖99种语言与202种方言
科大讯飞宣布星火语音基座大模型SparkAudio 1.0在讯飞开放平台上线API服务。该模型支持99种语言、202种方言,可直接理解语音中的语义、情绪与环境音,面向智能客服、汽车座舱等场景。
科大讯飞于11月12日宣布,星火语音基座大模型SparkAudio 1.0正式在讯飞开放平台上线API服务,开发者可直接接入调用。该模型同时接受文本与语音两种模态输入,输出为文本模态,可支撑语音转写、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。
在技术路线上,科大讯飞对传统级联方案提出了明确批评。过去处理音频通常先将语音转为文字,再交由大模型理解,这一做法存在两处短板:其一是信息丢失,文字仅记录说话内容,语气、情绪与背景环境音等关键信息被舍弃,模型对场景的判断因此不完整;其二是链路割裂,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,容易累积错误,并带来延迟与卡顿。
SparkAudio 1.0的应对思路是让模型直接理解语音,而非仅做语音转文字。据官方介绍,该模型可一次性处理人声、环境音与音乐,并理解声音中的语义、情绪和场景。相较上一代模型,SparkAudio 1.0在三个维度完成升级:支持99种语言与202种方言,覆盖多语言语音识别与翻译;从语音识别扩展至多维音频理解,可理解语音深层含义;适配智能客服、汽车座舱、跨语会议、医疗病历、内容审核等多种场景。
此次API服务开放意味着开发者可将上述能力直接集成至自有应用,语音交互类产品的技术门槛有望进一步降低。对于AI行业从业者而言,语音基座模型能否在真实场景中稳定兑现多语言、多方言与环境音理解的承诺,将是后续观察的重点。