讯飞开放语音大模型 Spark-Audio 1.0，支持 99 个语种

这套接口能把语音转成文字，也能做翻译、辨认方言。同一接口还能识别环境声音、区分不同说话人、判断情绪，并回答针对一段录音的提问。讯飞称，训练使用全国产算力。

传输使用 WebSocket，也就是一条保持打开的双向连接，支持单声道 PCM 或 WAV 音频。每次上传最长 300 秒；同一次会话加起来不超过 1,800 秒，也就是 30 分钟。

模型不会自己判断一句话说完了没有。音频传完后，调用方要再发一条提交指令，模型才开始处理。如果要同时附上文字（比如针对录音的提问），文字必须放在这一轮请求的最开头，一次发完。

讯飞称，以往先把语音转成文字再交给大模型，语气、情绪和环境音会在这一步丢失，Spark-Audio 1.0 改为直接理解语音。对开发者来说，转文字、翻译、说话人区分和情绪判断可以在同一个接口里完成，不必再分别对接几种语音服务。