讯飞发布新一代语音与端云模型，AI交互从“听见”走向“理解现场”

导语

大模型进入汽车、机器人、智能家居和公共服务设备后，语音交互面对的已不再是安静环境中的单人问答，而是多人同时说话、背景噪声、跨设备任务和连续上下文。10月22日，科大讯飞集中披露了新一代语音、端云模型及具身交互进展，试图回答一个关键问题：AI如何真正听懂并参与现实空间中的交流。

核心要点

• 从语音转写走向声音理解。 SparkAudio 1.0除语音识别、同传和语音交互外，还支持复杂音频理解、情绪识别、实时说话人分离及环境声理解。与传统“降噪—识别—大模型—合成”的级联系统相比，这一路线更重视语气、声源和环境等容易在文本化过程中丢失的信息。
• 端侧模型承担更多任务。 Spark-X2.6-4B约41亿参数，最长上下文约100万Token，并强化长文本理解、工具调用和智能体任务能力。讯飞称，部分端侧方案已达到约70%的云端能力，简单、高频或敏感任务可在本地完成，复杂任务则交由云端或端云共同处理。
• 交互开始理解空间。 结合全景摄像头和环形麦克风阵列，系统可在360度范围内处理多人声音。讯飞披露，在多人同时聊天场景中串扰率可降至1.7%以下，最多5人同时交互时实时分辨率达到87%。具身交互技术还尝试把声源定位、人的意图、视觉信息与动作规划结合起来。
• 设备从孤立终端变成协作网络。 讯飞提出由云端Agent统一管理上下文和任务状态，让电视、手机、音箱等设备支持换端继续对话和任务协同。开放平台还支持40种以上语言，其中30种可实现免切换语音交互。

意义与影响

这次发布的价值不只在于新增几个模型，而在于重新定义语音助手的工作边界：模型既要理解“说了什么”，也要判断“谁在说、从哪里说、处于什么环境，以及下一步该由哪台设备执行”。如果端侧能力继续提升，隐私、时延和网络依赖有望得到改善；但多人场景的稳定性、跨设备上下文管理和复杂任务的责任边界，仍需要在真实部署中持续验证。

总体看，讯飞正在把语音模型、端侧推理、空间感知与Agent调度组合成一套面向真实场景的交互基础设施。语音大模型的竞争，也由单纯比拼识别准确率，转向比拼对环境、上下文和设备协作的整体理解能力。

来源：InfoQ 中文