科大讯飞发布 SparkAudio 1.0，把翻译、识别和语义理解合进一个语音模型

语音模型的竞争，正在从“识别准不准”转向“能不能听懂场景”。

AI行业库 9 浏览 0 评论 2026-10-23 收录

把翻译、识别和语义理解放进同一个模型，会带来什么变化？讯飞给出的答案是：不只转写文字，还要判断谁在说、在什么环境说、想表达什么。

一个模型做多件事

SparkAudio 1.0 把机器翻译、语音识别和语义理解合并到同一套语音基座里。官方演示用电影片段展示它能分辨声音内容、背景、说话人性别，并判断场景；在实时说话人分离、环境理解、音频理解和情绪识别上也有针对性优化。

这项能力已经进入讯飞输入法 16.0、讯飞听见、讯飞办公本和讯飞翻译机，支持中英文切换和说话人实时识别。配套发布的“讯飞 AI 录音环”采用 4+1 环麦阵列和 Wi-Fi 6 传输，官方称综合识别准确率超过 96%，2 小时录音转写约需 2 分钟。

真实环境里的噪声、多人同时说话、口音和情绪，比实验室音频难得多。SparkAudio 1.0 的价值在于把“听清”推进到“听懂”，但隐私、离线能力和多语种覆盖仍是长期考题。

本文根据公开资料整理，具体功能、价格与开放范围请以官方最新说明为准。