iFlytek Opens SparkAudio 1.0 Speech Foundation Model API with 99-Language Support
Original title: 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
72AI Score
iFlytek has launched API access to SparkAudio 1.0, its speech foundation model, on the iFlytek Open Platform. The model understands speech end-to-end instead of the cascaded transcribe-then-reason pipeline, covering 99 languages and 202 dialects across transcription, translation, speaker diarization, emotion analysis and audio QA, and is trained entirely on domestic compute.
Full Report
IT之家 11 月 12 日消息，科大讯飞今日宣布，讯飞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。
SparkAudio 1.0 支持文本和语音两个模态的输入以及文本模态的输出，可支持语音转写、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的实现。
官方表示，过去处理音频大多采用级联方案：先把语音转成文字，再交给大模型理解。这种做法有两个明显短板：
- 信息丢失：文字只能记录说了什么，会丢掉语音里自带的语气、情绪，还有背景环境音等关键信息，导致模型对场景的判断不完整，自然也会影响到最后的结果。
- 链路割裂：这套系统把语音转写、声纹识别、语音翻译等能力拆成独立模块串联运行，模块之间存在断点，不仅容易累积错误，在使用体验上也会出现延迟、卡顿。
据介绍，语音基座大模型解决了上面的这些问题：它不再只做语音转文字，而是直接理解语音。语音基座大模型一次性听懂人声、环境音、音乐等等，而且还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 SparkAudio 1.0 在三大方面有了全新升级：
- 听见更多：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；
- 理解更透：从语音识别到多维音频理解，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；
- 用得更广：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。
IT之家附相关链接：