SparkAudio 1.0 上线,国产算力支撑开放 API 降低语音推理门槛
API 正式开放,降低接入门槛
科大讯飞今日确认,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。这一举措使得开发者能够直接调用该模型进行处理,无需构建复杂的基础设施。该模型支持文本和语音两种模态的输入,并输出文本结果,覆盖了从语音转写到复杂音频问答的全链路需求。
覆盖 99 种语言与 202 种方言
在语言支持范围上,SparkAudio 1.0 展现了极强的广度,官方数据显示其支持 99 种语言及 202 种方言。这种广泛的覆盖能力意味着开发者可以处理多语言语音识别与翻译任务,极大地拓展了应用场景的边界。对于需要处理跨国业务或多地区用户的应用而言,这一特性直接降低了多语言适配的开发成本。
全国产算力保障自主可控
值得注意的是,该模型强调采用全国产算力进行训练。这意味着在硬件依赖和供应链安全方面,SparkAudio 1.0 具备更高的自主可控性。对于重视数据安全和合规性的行业应用来说,基于国产算力底座的服务能有效规避外部硬件限制带来的风险。从推理成本角度看,国产化算力的规模化应用有助于长期降低运营成本,提升整体性价比。
原生架构解决级联痛点
传统音频处理常采用“先转写再理解”的级联方案,但这种方式容易导致语气、情绪等关键信息丢失,且模块串联带来延迟。SparkAudio 1.0 作为基座模型,直接理解语音、环境音及音乐,实现了语义、情绪和场景的一体化感知。这种原生架构避免了链路割裂带来的误差累积,使得在智能客服、汽车座舱等对实时性要求高的场景中,响应体验更为流畅稳定。
多维场景落地实践
基于更强的理解深度,该模型已适配智能客服、跨语会议、医疗病历及内容审核等多种垂直场景。它不仅识别说了什么,更能理解话语背后的深层含义。这种多维度的音频理解能力,使得机器人在处理复杂对话时更具人性化。开发者可以利用其说话人分离和情感分析功能,构建更精准的交互系统。从部署角度看,API 服务的开放加速了这类高级语音能力在各类终端和应用中的普及。
来源:IT之家