11月12日,科大讯飞在讯飞开放平台上线了星火语音基座大模型 SparkAudio 1.0 的 API 服务。
它不是又一个语音识别
过去做语音应用,主流做法是级联:先让语音识别把声音变成文字,再把文字交给大模型理解。
官方口径把这条老路的两个毛病说得很直白:一是信息丢失,文字只记下了说了什么,语气、情绪、说话人特征、背景里的动静全被扔掉;二是链路割裂,转写、声纹、翻译各自一个模块串着跑,错误层层累积,延迟也一路叠加。
SparkAudio 1.0 走的是另一条路:声音直接进模型,不经过文字这一站。
一个接口接七种活
按官方文档,这个模型同时支持七类任务: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,以及针对音频本身的复杂问答。
输入端收文本和语音两种模态,输出端给文本。语种覆盖九十九种语言加二百零二种方言。训练底座是全国产算力,这一点被官方写进了核心卖点。
换句话说,客服质检里最想要的三个判断——谁在说、在什么环境说、带着什么情绪说——现在在一个模型里就能拿全,不用再外挂声纹模型和情感模型。
接口文档里最较真的三行
据讯飞开放平台的接口文档,接入时有三个硬约束要留意。
音频格式限定 16kHz 采样率、16bit 位深、单声道的 pcm 或 wav。单次上传不超过 300 秒,一次会话累计不超过 30 分钟。服务端不做自动断句,必须由客户端主动发送 commit 指令触发推理。
第三条最容易被忽略。断句权被交还给应用层,好处是可以接自己的静音检测和按键说话逻辑,代价是调用方要自己管话轮切分——写惯了转写接口的工程师,第一版大概率会卡在这里。
谁会拆掉那串管道
最直接的受益者是做客服质检和车载座舱的团队。前者要听情绪和说话人,后者要分辨导航声、乘客闲聊和路面噪音,这些恰恰是级联方案丢掉的东西。
跨语言会议和医疗病历整理也在官方列出的场景里,多方言识别对覆盖下沉市场尤其有用。
对开发者还有一笔账:过去拼一套语音应用要接转写、声纹、情感三四个供应商,现在一个 API Key 全接上,对账从三张单变一张单。
这一步真正的含义
语音模型这条赛道上,各家都在往「直接听懂」走,讯飞这次把 API 价格和文档一起摊开,等于把入场券发给了所有中小开发者。
真正的分水岭不在跑分,在工程:断句交给谁、噪声扛不扛得住、方言样本够不够。接口开放只是第一步,接下来要看真实调用里,这个模型能不能把「听懂」两个字坐实。
对用户来说,最直观的变化可能出现在下一次打客服电话时——机器听懂你生气了,这不该再需要十秒钟。