Spark-Audio-1.0-Preview Faoliyat yuritmoqda

Spark-Audio-1.0-Preview — iFlytek tomonidan ishlab chiqilgan, to‘liq mahalliy texnologiyalarga asoslangan nutq bazaviy katta modeli. U 0.65B audio enkoderi + 30B-A3B MoE katta til modeli arxitekturasidan foydalanib, 13 million soatlik audio va katta hajmdagi matn ma’lumotlari asosida, to‘liq mahalliy hisoblash quvvatida o‘qitilgan. Model nutqdagi ma’no, hissiyot va vaziyatni bevosita tushuna oladi, 99 ta til va 202 ta shevani tanish, nutqni matnga aylantirish, tarjima, so‘zlovchini aniqlash, hissiy tahlil, audio savol-javob kabi vazifalarni qo‘llab-quvvatlaydi. U yuqori shovqin va past ovoz kabi murakkab sharoitlarda yetakchi natijalarni ko‘rsatadi hamda mijozlarga xizmat ko‘rsatish, avtomobil, tibbiyot kabi sohalarda keng qo‘llanishi mumkin.

Nutqni matnga aylantirish: nutqni bevosita matnga aylantiradi, 99 ta til va 202 ta shevani tanishni qo‘llab-quvvatlaydi.
Ko‘p tilli tarjima: ohang va intonatsiya kabi prosodik ma’lumotlarni saqlagan holda nutqdan nutqqa yoki matnga tillararo tarjimani amalga oshiradi.
Ko‘p shevali nutqni tanish: 202 ta shevani qamrab oladi, jumladan kanton va Venchjou shevalarini ham tushunadi.
Atrof-muhit tovushlarini tanish: inson ovozi bilan birga atrofdagi fon tovushlarini ham tushunadi va tovush yuzaga kelgan vaziyatni anglaydi.
So‘zlovchini aniqlash: kim gapirayotganini avtomatik ajratadi; yig‘ilishlarni matnga aylantirish va bayonnoma yaratish kabi vazifalar uchun mos.
Hissiy tahlil: nutqdagi ohang va hissiyotlarni ilg‘aydi, o‘zaro aloqani yanada “iliq” qiladi.
Audio savol-javob: murakkab audio mazmunini tushunish va savollarga javob berish orqali “eshitish”dan “tushunish”ga o‘tadi.

End-to-end nutqni tushunish arxitekturasi: an’anaviy “avval matnga aylantirib, keyin katta modelga uzatish” kaskadli yechimidan farqli ravishda, model 0.65B audio enkoderini 30B-A3B katta til modeli bilan birlashtiradi. Matn va nutqning ikki modal ma’lumoti bir xil modelga bevosita uzatiladi; u inson ovozi, atrof-muhit tovushlari, musiqa, shuningdek ularning ma’nosi, hissiyoti va vaziyatini bir martada tushunadi. Shu tariqa kaskadli zanjirdagi ma’lumot yo‘qolishi va xatolarning to‘planishining oldi olinadi.
Audio enkoderini oldindan o‘qitish: audio enkoderini oldindan o‘qitish orqali uning ifodalash qobiliyati bosqichma-bosqich kengaytiriladi. Keyin oldindan o‘qitish va keyingi o‘qitish yordamida modelning bazaviy qobiliyati, murakkab vaziyatlarga umumlashishi va ko‘p vazifali natijalari yaxshilanadi. Natijada yuqori shovqin va past ovoz kabi real murakkab sharoitlarda yuqori ko‘rsatkichlarga erishiladi.
To‘liq mahalliy hisoblash quvvatida o‘qitish: model to‘liq mahalliy hisoblash quvvati klasterida 13 million soatlik audio va katta hajmdagi matn ma’lumotlari asosida o‘qitilgan. Bu sohadagi to‘liq mahalliy hisoblash quvvatida o‘qitilgan ilk nutq bazaviy katta modeli bo‘lib, mahalliy hisoblash quvvati sanoat darajasidagi yetakchi nutq modelini o‘qita olishini isbotlaydi.
Nozik sozlash mumkin bo‘lgan bazaviy tizim: iFlytek Spark katta modelining 1+N tizimiga o‘xshash tarzda, Spark-Audio nutq bazasi sifatida qo‘shimcha nozik sozlanishi va nutqni tanish, nutqiy sinxron tarjima, nutqiy o‘zaro aloqa kabi maxsus modellar yoki tizimlarni yaratishda ishlatilishi mumkin. Bu uni turli nutq xizmatlariga joriy etishni osonlashtiradi.

Rasmiy sinov sahifasini oching: model sinov manziliga kiring https://iflytekresearch.iflytek.com/experience/spark-audio .
Model imkoniyatlarini onlayn sinang: sahifaga matn yoki nutq kiriting va nutqni matnga aylantirish, tarjima, shevani tanish, audio savol-javob kabi funksiyalarni sinab ko‘ring.

To‘liq mahalliy hisoblash quvvatida o‘qitilgan: sohadagi to‘liq mahalliy hisoblash quvvati klasterida o‘qitilgan ilk nutq bazaviy katta modeli bo‘lib, mahalliy hisoblash quvvati yetakchi darajadagi modelni o‘qita olishini isbotlaydi.
Nutqni end-to-end bevosita tushunish: “avval matnga aylantirib, keyin tushunish” kaskadli yechimidan xalos bo‘ladi; ohang, hissiyot va atrof-muhit tovushlari kabi muhim ma’lumotlar yo‘qolmaydi, zanjirdagi uzilishlar va kechikishlar bartaraf etiladi.
Keng tilli va ko‘p shevali qamrov: 99 ta til va 202 ta shevani tanishni qo‘llab-quvvatlaydi; bir xil hajmdagi modellar taqqoslanganda ko‘p tilli va ko‘p shevali tanish natijalari ustun.
Murakkab vaziyatlarda yetakchi natijalar: yuqori shovqin va past ovoz kabi real amaliy vazifalarda sezilarli ustunlikka ega, shovqinga chidamliligi yuqori.
Kattaroq modellarga munosib raqobatchi: hajmi bir daraja kattaroq Qwen3.5-omni-plus bilan deyarli bir xil natija ko‘rsatadi, Fleurs xitoycha test to‘plamida SOTA natijasiga erishadi va bir nechta baholashlarda Gemini-3.1 Pro dan yuqori ball oladi.
Matn qobiliyati pasaymaydi: umumiy bilim, matematika va kod kabi matn vazifalarida sezilarli qobiliyat pasayishi kuzatilmaydi, bu nutq bazaviy modellaridagi keng tarqalgan muammoni bartaraf etadi.
Samarali arxitektura: 0.65B audio enkoderi + 30B-A3B MoE arxitekturasidan foydalanadi va kichik hajmda kattaroq yopiq modellarga yaqin natijani ta’minlaydi.

Intellektual mijozlarga xizmat ko‘rsatish: foydalanuvchining hissiyoti va ifoda uslubini aniqlab, suhbatni yanada izchil va iliq qiladi hamda xizmat tajribasini yaxshilaydi.
Avtomobil kabinasi: avtomobilning shovqinli muhitida haydovchi buyruqlarini aniq taniydi, sheva asosidagi muloqotni qo‘llab-quvvatlaydi va salonda yanada tabiiy ovozli aloqa tajribasini yaratadi.
Real vaqt rejimidagi tarjima va tillararo yig‘ilishlar: nutqiy sinxron tarjima va ko‘p tilli tarjimani amalga oshiradi, shu bilan birga ohang va intonatsiya kabi prosodik ma’lumotlarni saqlab, tabiiyroq tillararo muloqotni ta’minlaydi.
Yig‘ilishlarni matnga aylantirish va bayonnoma yaratish: so‘zlovchilarni avtomatik ajratadi, muhim qarorlarni chiqarib oladi va tuzilgan bayonnoma yaratadi, xodimlarning takroriy tartibga solish ishlarini kamaytiradi.
Tibbiy elektron kartalar va kontentni tekshirish: nutq orqali tibbiy qaydlarni yozish va kontentni tekshirishni amalga oshiradi, tibbiyot kabi professional sohalarda qo‘lda kiritish yukini kamaytirib, samaradorlikni oshiradi.