科大讯飞宣布 Spark-Audio-1.0-Preview 上线，这是一款基于全国产化算力训练的语音基座大模型。该模型采用 0.65B（Dense 结构）音频编码器，搭配 30B-A3B（MoE 结构）大语言模型，使用 1300 万小时音频及大量文本数据训练。它不再只做语音转文字，而是直接理解语音，可同时输入文本和语音，支持语音转写、多语言翻译、多方言识别、环境音识别、说话人识别、情感分析及音频问答等任务。官方称其支持 99 种语言及 202 种方言识别，在复杂场景高噪声、小声说等真实应用类任务上明显领先；与同尺寸 Qwen3.5-omni-flash 相比，在多语言、多方言语音识别平均效果上表现优势；与尺寸更大的 Qwen3.5-omni-plus 效果接近。在 Fleurs、Kespeech、LibriSpeech 等评测中，其得分高于 Gemini-3.1 Pro，并在 Fleurs 中文测试集中取得 SOTA。讯飞也坦言，该版本在指令遵循、对话、音频理解等任务上仍有追赶空间。目前 Spark-Audio-1.0-Preview 已开放体验，API 后续将上线讯飞开放平台。