Spark-Audio-1.0-Preview Inafanya kazi

Spark-Audio-1.0-Preview ni modeli kubwa ya msingi ya sauti iliyotengenezwa nchini China yote na iFlytek. Inatumia usanifu wa kisimbaji sauti cha 0.65B + modeli ya lugha ya 30B-A3B MoE, na ilifundishwa kwa saa milioni 13 za sauti pamoja na kiasi kikubwa cha data ya maandishi kwa kutumia miundombinu ya kompyuta iliyotengenezwa nchini China pekee. Modeli inaweza kuelewa moja kwa moja maana, hisia na muktadha katika sauti, na inasaidia utambuzi wa lugha 99 na lahaja 202, pamoja na unukuzi wa sauti, tafsiri, utambuzi wa mzungumzaji, uchanganuzi wa hisia, maswali na majibu kuhusu sauti, na kazi nyingine. Inaonyesha utendaji bora katika mazingira changamano kama kelele nyingi na sauti ndogo, na inaweza kutumika kwa upana katika huduma kwa wateja, magari, matibabu na nyanja nyingine.

Unukuzi wa sauti: Hubadilisha sauti moja kwa moja kuwa maandishi, na inasaidia utambuzi wa lugha 99 na lahaja 202.
Tafsiri ya lugha nyingi: Huwezesha tafsiri ya sauti kwenda sauti/maandishi kati ya lugha, huku ikihifadhi taarifa za kiimbo kama namna ya kusema na mdundo wa sauti.
Utambuzi wa lahaja nyingi: Inashughulikia lahaja 202, ikiwemo Kikantoni na lahaja ya Wenzhou.
Utambuzi wa sauti za mazingira: Inaweza kuelewa kwa wakati mmoja sauti za watu na sauti za mandharinyuma, na kutambua muktadha ambamo sauti hutokea.
Utambuzi wa mzungumzaji: Hutofautisha kiotomatiki anayezungumza, na inafaa kwa unukuzi wa mikutano, uundaji wa muhtasari na kadhalika.
Uchanganuzi wa hisia: Hunasa kiimbo na hisia katika sauti, na kufanya mwingiliano uwe wa karibu zaidi na wa kibinadamu.
Maswali na majibu kuhusu sauti: Huelewa na kujibu maswali kulingana na maudhui changamano ya sauti, kutoka “kusikia kwa uwazi” hadi “kuelewa kinachosemwa”.

Usanifu wa uelewaji wa sauti kutoka mwanzo hadi mwisho: Tofauti na mfumo wa jadi wa mfuatano wa “kubadilisha kwanza kuwa maandishi kisha kuyapa modeli kubwa”, modeli hii hutumia kisimbaji sauti cha 0.65B pamoja na modeli kubwa ya lugha ya 30B-A3B. Maandishi na sauti huingizwa moja kwa moja katika modeli hiyo hiyo kama miundo miwili, hivyo kuelewa kwa mara moja sauti za watu, sauti za mazingira, muziki, pamoja na maana, hisia na muktadha wake, bila upotevu wa taarifa na mkusanyiko wa makosa unaotokea katika mnyororo wa hatua nyingi.
Ujifunzaji wa awali wa kisimbaji sauti: Uwezo wake wa kuwakilisha taarifa hupanuliwa hatua kwa hatua kupitia ujifunzaji wa awali wa kisimbaji sauti. Kisha ujifunzaji wa awali na wa baadae hutumika kuboresha uwezo wa msingi wa modeli, ujanibishaji katika mazingira changamano na utendaji wa kazi nyingi. Hatimaye, imepata matokeo bora katika mazingira halisi changamano kama kelele nyingi na sauti ndogo.
Mafunzo kwa kutumia miundombinu ya kompyuta ya China pekee: Modeli ilifundishwa kwenye klasta ya kompyuta iliyotengenezwa nchini China pekee, kwa kutumia saa milioni 13 za sauti na kiasi kikubwa cha data ya maandishi. Ni modeli kubwa ya kwanza ya msingi ya sauti katika sekta iliyofunzwa kwa kutumia miundombinu ya kompyuta ya China pekee, ikithibitisha kuwa miundombinu hiyo inaweza kufundisha modeli za sauti zenye kiwango cha juu kinachoongoza sekta.
Mfumo wa msingi unaoweza kurekebishwa: Kama mfumo wa 1+N wa modeli kubwa ya Spark ya iFlytek, Spark-Audio inaweza kurekebishwa zaidi kama msingi wa sauti ili kutengeneza modeli au mifumo maalumu ya utambuzi wa sauti, ukalimani wa wakati mmoja na mwingiliano wa sauti, na kurahisisha matumizi yake katika biashara mbalimbali za sauti.

Fungua ukurasa rasmi wa majaribio: Tembelea anwani ya majaribio ya modeli https://iflytekresearch.iflytek.com/experience/spark-audio .
Jaribu uwezo wa modeli mtandaoni: Ingiza maandishi au sauti kwenye ukurasa ili kujaribu unukuzi wa sauti, tafsiri, utambuzi wa lahaja, maswali na majibu kuhusu sauti na vipengele vingine.

Mafunzo kwa kutumia miundombinu ya kompyuta ya China pekee: Ni modeli kubwa ya kwanza ya msingi ya sauti katika sekta iliyofunzwa kwenye klasta ya kompyuta iliyotengenezwa nchini China pekee, ikithibitisha kuwa miundombinu ya China inaweza kufundisha modeli zenye kiwango cha juu kinachoongoza sekta.
Uelewaji wa moja kwa moja wa sauti kutoka mwanzo hadi mwisho: Inaondokana na mfumo wa “kubadilisha kwanza kuwa maandishi kisha kuelewa”, bila kupoteza taarifa muhimu kama kiimbo, hisia na sauti za mazingira, huku ikiondoa mgawanyiko na ucheleweshaji wa mnyororo wa hatua nyingi.
Ueneaji mpana wa lugha na lahaja: Inasaidia utambuzi wa lugha 99 na lahaja 202, na katika ulinganisho wa modeli zenye ukubwa sawa, inaongoza katika utambuzi wa lugha na lahaja nyingi.
Utendaji bora katika mazingira changamano: Ina faida dhahiri katika kazi halisi za matumizi kama kelele nyingi na sauti ndogo, ikiwa na uwezo bora wa kupunguza athari za kelele.
Inalingana na modeli kubwa zaidi: Inakaribia utendaji wa Qwen3.5-omni-plus yenye ukubwa mkubwa kwa kiwango kimoja, imepata SOTA kwenye seti ya majaribio ya Kichina ya Fleurs, na imepita Gemini-3.1 Pro katika tathmini kadhaa.
Uwezo wa maandishi haujapungua: Haijaonyesha kupungua dhahiri kwa uwezo katika kazi za maandishi kama maarifa ya jumla, hisabati na msimbo, hivyo kushinda changamoto ya kawaida ya modeli za msingi za sauti.
Usanifu wenye ufanisi: Inatumia usanifu wa kisimbaji sauti cha 0.65B + 30B-A3B MoE, na kufikia utendaji unaokaribia wa modeli kubwa zaidi zilizofungwa kwa kutumia ukubwa mdogo.

Huduma mahiri kwa wateja: Hutambua hisia na namna ya kujieleza kwa mtumiaji, na kufanya mazungumzo yawe yenye mwendelezo na ukaribu zaidi, hivyo kuboresha uzoefu wa huduma.
Sehemu ya ndani ya gari: Hutambua kwa usahihi maagizo ya dereva katika mazingira yenye kelele ya gari, inasaidia mwingiliano wa lahaja na kuunda uzoefu wa asili zaidi wa mwingiliano wa sauti ndani ya gari.
Tafsiri ya wakati halisi na mikutano ya lugha mbalimbali: Hufanya ukalimani wa sauti wa wakati mmoja na tafsiri ya lugha nyingi, huku ikihifadhi taarifa za kiimbo kama namna ya kusema na mdundo wa sauti, na kuleta mawasiliano ya lugha mbalimbali yaliyo ya asili zaidi.
Unukuzi wa mikutano na uundaji wa muhtasari: Hutofautisha kiotomatiki wazungumzaji, hutoa hoja muhimu za maamuzi na kuunda muhtasari wenye muundo, hivyo kuwasaidia wafanyakazi kupunguza kazi ya kupanga taarifa kwa kurudia.
Rekodi za afya za kielektroniki na ukaguzi wa maudhui: Hutumia sauti kukamilisha uandishi wa rekodi za afya na ukaguzi wa maudhui, kupunguza mzigo wa kuingiza data kwa mkono na kuongeza ufanisi katika nyanja maalumu kama afya.