Spark-Audio

核心功能

• 语音转写

  把音频里的内容转成文字，支持99种语言和202种方言识别，中英文混合、专业术语场景也能处理。

• 多方言识别

  粤语、温州话、四川话这些都能听懂，覆盖202种方言。在同尺寸模型对比中，多方言识别效果有优势。

• 情感分析

  捕捉语音里的语气和情绪变化。比如用户语气不耐烦时，系统能识别出来，而不是只看到文字内容。

• 说话人识别

  自动区分一段录音里有几个人在说话，适合会议记录、访谈整理等多人对话场景。

• 音频问答

  针对一段录音直接提问，模型会结合声音里的信息给出回答，长音频和嘈杂环境也能处理。

产品特色

• 01

  全国产算力训练

  整个训练流程跑在国产芯片集群上，用1300万小时音频数据完成。是国内首个基于纯国产算力训练出来的语音基座大模型。

• 02

  端到端直接理解语音

  不走“先转文字再理解”的老路，音频直接输入模型，语气、情绪、背景音都保留着，信息不丢。

• 03

  高噪声小音量场景领先

  在嘈杂环境和小声说话这类真实条件下，语音识别效果比同尺寸模型有明显优势。不像实验室数据那么好看，但实际用起来更踏实。

• 04

  文本能力没落下

  很多语音模型一训就“变笨”，通用知识和数学能力会下降。这个模型在文本任务上没出现明显降智，算是个不容易的地方。

• 05

  架构轻量

  0.65B的音频编码器配30B-A3B的MoE语言模型，参数规模不算大，但效果接近更大尺寸的闭源模型。

应用场景

• ✅ 智能客服

  识别用户说话时的情绪和表达方式，让机器回应更贴合当时的状态，而不是照本宣科。

• ✅ 汽车座舱

  车载环境嘈杂，方言口音也多。模型能在这种条件下更准地听懂驾驶员指令。

• ✅ 会议转写与纪要

  自动区分谁在说话，提取讨论要点，减少会后整理录音的重复劳动。

• ✅ 跨语言会议

  做语音翻译时保留说话人的语气和节奏，不只是生硬地转换文字。

• ✅ 医疗电子病历

  医生口述病历内容，模型直接转成结构化文字，减少手工录入的负担。

常见问题

解答您关于"Spark-Audio"的常见疑问，让您更好地使用这款AI工具

• Spark-Audio在哪里体验？ +

  在讯飞研究院的体验中心页面就能用，地址是 iflytekresearch.iflytek.com/experience/spark-audio。需要用讯飞账号登录。目前是网页端免费体验，API后续会上线讯飞开放平台。

• 普通人能用它做什么？ +

  如果你只是好奇，可以上传一段录音试试转写、方言识别或者情感分析。日常开会、采访、整理录音素材，也能拿它辅助处理。不需要写代码，网页上直接操作。

• 它和讯飞听见、讯飞输入法是什么关系？ +

  Spark-Audio是底层的语音基座模型，讯飞听见和输入法是上层的产品应用。这个体验站让你直接接触底层模型的能力，而不是已经包装好的产品功能。

• 开发者怎么接入？ +

  API还没正式上线，需要关注讯飞开放平台。有定制需求的企业可以基于这个语音基座做微调，开发自己业务场景的专用模型。

立即体验“Spark-Audio”

讯飞研究院上线的Spark-Audio体验中心，提供全国产语音基座大模型的在线试用。你可以上传音频，试试语音转写、方言识别、情感分析和音频问答，看看机器从“听清”到“听懂”到底能走多远。