科大讯飞于9月16日推出Spark-Audio-1.0-Preview，一款基于全国产化算力集群训练的语音基座大模型。该模型旨在突破传统级联方案的技术瓶颈，让机器直接从语音信号中获取信息。

此前，大模型处理音频普遍采用“先转写、后理解”的级联路径。这种方式存在两方面局限：一是信息丢失，文字转写仅保留语义内容，语气、情绪及背景环境音等关键线索被过滤，导致模型对场景判断不完整；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运行，模块间存在断点，容易累积错误并带来延迟与卡顿。

Spark-Audio-1.0-Preview采用0.65B参数量的Dense结构音频编码器，搭配30B-A3B的MoE结构大语言模型。训练数据涵盖1300万小时音频及大量文本，全部基于纯国产算力集群完成。该模型在同一框架内支持文本与语音双模态输入，可执行语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析以及复杂音频问答等任务。

从“听清”到“听懂”，语音基座大模型的推出意味着音频处理不再依赖多模块拼接，而是由单一模型直接完成对声音语义、情绪和场景的综合理解。这一路径若成熟，有望降低级联方案中的错误累积与延迟问题，为语音交互场景提供更完整的感知能力。