语音基座大模型不再只做语音转文字，而是直接理解语音：一次性听懂人声、环境音、音乐等，还能理解声音里的语义、情绪和场景。此次首发的 Spark-Audio-1.0-Preview 采用 0.65B（Dense 结构）的音频编码器，搭配 30B-A3B（MoE 结构）的大语言模型，使用了 1300 万小时音频以及大量文本数据，基于纯国产算力集群训练完成。与讯飞星火大模型的”1+N”体系类似，在语音基座大模型上也可进行微调，开发语音识别、语音同传、语音交互等专用模型或系统。
语音基座大模型不再只做语音转文字，而是直接理解语音：一次性听懂人声、环境音、音乐等，还能理解声音里的语义、情绪和场景。此次首发的 Spark-Audio-1.0-Preview 采用 0.65B（Dense 结构）的音频编码器，搭配 30B-A3B（MoE 结构）的大语言模型，使用了 1300 万小时音频以及大量文本数据，基于纯国产算力集群训练完成。与讯飞星火大模型的”1+N”体系类似，在语音基座大模型上也可进行微调，开发语音识别、语音同传、语音交互等专用模型或系统。