精华速览
10月22日，科大讯飞发布星火语音基座大模型SparkAudio 1.0，将语音识别、同传和交互扩展至复杂音频理解、情绪识别、实时说话人分离及环境声理解。同步亮相的还有端云一体通用大模型讯飞星火X2.6及端侧模型Spark-X2.6-4B，后者约41亿参数、支持约100万Token长上下文。讯飞开放平台数据显示，语音大模型相关调用量同比增长超过20倍。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，约10%高复杂度任务交给云端。目前部分端侧方案已达到约70%的云端能力，相关语音能力已进入讯飞输入法16.0、讯飞听见、讯飞智能办公本等产品。
要点透视
- 10月22日，科大讯飞正式发布星火语音基座大模型SparkAudio 1.0，支持语音识别、同传、语音交互、音频理解、情绪识别、实时说话人分离和环境声理解等任务。
- 讯飞开放平台数据显示，语音大模型相关调用量同比增长超过20倍，平台大模型相关硬件装机量、激活量及单台设备人机交互次数均快速增长。
- 端侧模型Spark-X2.6-4B拥有约41亿参数，最长上下文约100万Token，延续Spark-X2.5系列的百万Token架构，并强化长文本理解、工具调用和智能体任务能力。
- 讯飞披露，部分端侧方案已达到约70%的云端能力；简单、高频、涉及敏感数据的任务由端侧完成，复杂任务调用云端星火X2.6，部分任务端云共同执行。
- 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，约10%的高复杂度任务交给云端大模型。
- 在多模交互方面，讯飞引入全景摄像头与环形麦克风阵列，多人同时聊天时串扰率降至1.7%以下，最高5人同时交互时实时分辨率达到87%。
- 讯飞通过统一云端Agent管理上下文与任务状态，支持多设备自动换端、换端继续聊天及任务协同，使语音助手主体从单台硬件转向整个空间。
- 讯飞开放平台已支持40种以上语言，其中30种可实现免切换语音交互；独立多语种识别大模型支持37种多语种音频免切识别。
文章拆解
此次发布的核心变化在于，讯飞试图把语音模型从“语音转文字”的工具升级为理解完整声音场景的基座。传统级联架构依次完成降噪、识别、文本理解和语音合成，每一层任务明确，但说话人语气、情绪、环境声和空间位置等信息在转成纯文本后容易丢失。SparkAudio 1.0将音频理解、情绪识别、实时说话人分离和环境声理解纳入统一体系，意味着模型需要回答的不再只是“说了什么”，还包括“谁在说、在什么环境说、该回应谁”。这一方向与智能硬件进入机器人、汽车、智能家居和公共服务设备的趋势直接相关，因为这些场景普遍存在多人同时讲话、复杂噪声和多声源位置等现实问题。
端侧模型是另一条主线。Spark-X2.6-4B以约41亿参数支持约100万Token上下文，并强化工具调用和智能体任务能力，说明小参数模型正在承接过去必须上传云端的任务。讯飞披露部分端侧方案已达到约70%的云端能力，并给出60%本地、30%端云协同、10%云端的任务分布判断。若这一比例逐步落地，端侧算力、内存和隐私优势将更直接地影响硬件产品定义，但端侧模型在复杂推理和多轮任务中的实际表现仍取决于具体场景，尚待确认。
多设备上下文协同和具身多模交互则把竞争维度从单点模型能力推向空间体验。统一云端Agent管理上下文后，用户在不同设备间切换时不必重复交代任务，系统可根据距离、任务类型和设备能力决定由谁接收和完成指令。讯飞公布的多人与多人交互数据——串扰率低于1.7%、5人同时交互实时分辨率87%——提供了可量化的参考，但这类指标受测试环境、摄像头角度和麦克风阵列部署方式影响较大，实际产品中的稳定性尚待确认。
值得关注的变量包括：语音调用量同比增长超过20倍，说明需求侧正在放量，但调用增长能否转化为可持续的硬件装机与用户留存仍需观察；端侧70%云端能力的表述缺少统一评测口径，跨任务类型的实际差距尚待确认；多设备协同依赖云端Agent，网络中断或隐私敏感场景下的体验连续性存在潜在风险；多语种免切换能力面向海外硬件市场，其本地化效果和合规要求也是后续变量。总体看，讯飞正在把竞争焦点从模型参数转向“端云协同+空间交互”的系统能力，但这一路线能否在真实场景中稳定兑现，仍需产品落地数据验证。
暂无评论。