11月12日，科大讯飞宣布讯飞星火语音基座大模型SparkAudio1.0已在讯飞开放平台上线API服务，开发者可直接接入调用。该模型支持文本和语音两个模态的输入以及文本模态的输出，可实现语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析以及复杂的音频问答等场景任务。

官方表示，过去处理音频大多采用级联方案，即先把语音转成文字再交给大模型理解，存在信息丢失和链路割裂两个明显短板。文字只能记录说了什么，会丢掉语音里自带的语气、情绪以及背景环境音等关键信息，导致模型对场景的判断不完整；同时语音转写、声纹识别、语音翻译等能力被拆成独立模块串联运行，模块之间存在断点，容易累积错误，在使用体验上也会出现延迟、卡顿。语音基座大模型不再只做语音转文字，而是直接理解语音，一次性听懂人声、环境音、音乐等，并能理解声音里的语义、情绪和场景。

相较于上一代模型，星火语音基座SparkAudio1.0在三大方面实现全新升级：支持99种语言、202种方言，能够处理多语言语音识别与翻译任务；从语音识别扩展到多维音频理解，能理解语音的深层含义，支持智能客服、汽车座舱、跨语会议、医疗病历、内容审核等多种场景；全国产算力训练，为开发者和行业应用提供自主可控的语音智能底座。