科大讯飞发布星火语音基座大模型 SparkAudio 1.0，语音大模型调用量同比暴涨 20 倍，端侧模型实现约 70% 云端能力

一句话结论

科大讯飞发布 SparkAudio 1.0 与星火 X2.6 系列，通过统一声音场景理解与端云协同，推动 AI 交互从单设备对话转向全空间复杂环境下的实时多模响应。

关键要点

• 科大讯飞正式发布星火语音基座大模型 SparkAudio 1.0，该模型支持语音识别、同传、复杂音频理解、情绪识别、实时说话人分离及环境声理解等多维能力。
• 讯飞开放平台数据显示，2026 年语音大模型相关调用量同比增长超过 20 倍，表明智能硬件对大模型交互的需求已从简单对话扩展至复杂场景处理。
• 端侧模型 Spark-X2.6-4B 拥有约 41 亿参数，支持最长约 100 万 Token 上下文，目前部分端侧方案已能实现约 70% 的云端模型能力。
• 讯飞推出新多模交互技术，通过全景摄像头与环形麦克风阵列，使系统在多人同时聊天时串扰率降至 1.7% 以下，最高支持 5 人实时交互且分辨率达 87%。
• 面向海外市场，讯飞开放平台支持 40 种以上语言，其中 30 种语言可实现免切换语音交互，独立多语种识别大模型支持 37 种语言音频免切识别。

背景与事实

2024 年 10 月 22 日，科大讯飞集中披露了新一代人机交互技术进展。此次发布的核心是星火语音基座大模型 SparkAudio 1.0 与新一代端云一体通用大模型讯飞星火 X2.6。过去，语音交互系统多采用级联架构，即先降噪、再语音识别转文本、最后由大语言模型处理后合成语音。这种传统结构在处理复杂现场时存在信息损失，说话人的语气、情绪、环境声音及空间位置等关键信息在转化为纯文本后容易消失。SparkAudio 1.0 旨在将分散的处理能力统一，不仅处理语言内容，还深入理解声音本身携带的环境信息。目前，该模型相关能力已集成至讯飞输入法 16.0、讯飞听见及讯飞智能办公本等产品中。

在端云协同方面，讯飞推出了云端星火 X2.6 与端侧 Spark-X2.6-4B 的组合策略。Spark-X2.6-4B 延续了 Spark-X2.5 系列的百万 Token 长上下文架构，通过新的后训练强化了长文本理解、工具调用和智能体任务能力。根据讯飞公布的数据，当前部分端侧方案已达到约 70% 的云端能力。科大讯飞董事长刘庆峰判断，未来约 60% 的应用可在本地完成，30% 通过端云协同解决，剩余 10% 的高复杂度任务交由云端大模型处理。这种架构使得简单、高频及涉及敏感数据的任务可留在设备本地，而复杂任务则调用云端资源。

针对真实世界中的复杂交互场景，讯飞还公布了多模交互和具身多模交互技术。此前，讯飞曾尝试结合唇动视觉信息与麦克风阵列解决“鸡尾酒会问题”，但受限于光线、角度及用户姿态。此次，讯飞引入全景摄像头与环形麦克风阵列，实现 360 度空间内的多人声音处理。数据显示，在多人同时聊天时，系统串扰率可降至 1.7% 以下；在最高 5 人同时交互的情况下，实时分辨率达到 87%。此外，面向机器人领域的“星火具身多模交互技术”增加了复杂空间动态降噪、多目标人交互意图识别、语音与动作统一规划执行以及视觉触发的主动交互能力，使 AI 能够理解不同人在空间中的位置、状态和意图。

影响分析

对于中文开发者与从业者而言，此次发布的技术路线标志着语音交互开发范式的显著转变。过去，开发人员通常需要分别处理降噪、识别、语义理解等多个模块，且这些模块间的错误会累积传递。现在，基于 SparkAudio 1.0 的端到端能力，开发者可以调用统一的音频理解接口，直接获取包含情绪、说话人身份及环境信息的结构化数据，大幅降低了构建复杂智能硬件交互系统的工程复杂度。对于嵌入在机器人、汽车及智能家居中的 AI 系统，端侧模型达到 70% 云端能力的进展意味着开发者可以在设备本地部署具备百万 Token 上下文和 Agent 能力的模型，从而在保护用户隐私数据不离开本地的同时，保留大部分高级交互功能。这直接影响了硬件产品的成本结构与控制策略，使得在算力受限的边缘设备上实现更复杂的业务逻辑成为可能。

适用边界

上述结论主要适用于能够集成全景摄像头、环形麦克风阵列及高性能端侧算力的新型智能硬件场景。对于传统缺乏多模态传感器支持或端侧算力仅支持 1.7B 甚至更小参数模型的老旧设备，无法完整实现 5 人实时交互、360 度声源定位及本地化 Agent 任务等高级能力。此外，虽然平台支持多语种免切换交互，但该功能主要依托讯飞开放平台的云端服务，对于完全离线且不具备多语种模型部署能力的封闭系统，多语种交互体验可能受限。

孤本观察

本次讯飞将“空间”视为新的计算维度，通过硬件阵列与算法协同，试图解决 AI 从“听清”到“听懂现场”的跨越，这一策略在端侧算力受限的行业背景下，通过牺牲部分极致性能换取隐私与实时性，呈现出鲜明的工程落地导向。

来源：InfoQ 中文 AI