IT时代网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。
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。这种做法存在两个明显短板：一是信息丢失，文字只能记录说了什么，会丢掉语音里自带的语气、情绪和背景环境音等关键信息；二是链路割裂，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，容易累积错误并出现延迟、卡顿。
语音基座大模型则直接理解语音，一次性听懂人声、环境音、音乐，并能理解声音里的语义、情绪和场景。相较上一代模型，SparkAudio 1.0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，从语音识别升级到多维音频理解，可支撑智能客服、汽车座舱、跨语会议、医疗病历、内容审核等多种场景。
注：本文配图由AI生成。本文综合自IT之家等，文中包含AI辅助创作的内容。
编辑：林一舟
