大模型正在从聊天框进入真实世界，而语音可能成为其中最重要的入口之一。
10 月 22 日，科大讯飞集中披露了新一代人机交互技术进展。其中，正式发布的星火语音基座大模型 SparkAudio 1.0，将语音识别、同传和交互进一步扩展至复杂音频理解、情绪识别、实时说话人分离和环境声理解；与此同时，新一代端云一体通用大模型讯飞星火 X2.6*及端侧模型 Spark-X2.6-4B 也同步亮相。
讯飞开放平台公布的数据显示，2026 年平台大模型相关硬件装机量、激活量以及单台设备的人机交互次数均快速增长，其中语音大模型相关调用量同比增长超过 20 倍。
这意味着，智能硬件对大模型的要求已经不只是“能够对话”。当模型进入机器人、汽车、智能家居和公共服务设备，AI 需要面对多人同时讲话、复杂环境噪声、不同声源位置、连续上下文以及多台设备协同等现实问题。
SparkAudio 1.0：从“听清一句话”走向“听懂现场发生了什么”
此次发布的核心模型之一，是星火语音基座大模型 SparkAudio 1.0。与传统主要围绕自动语音识别（ASR）和语音合成（TTS）展开的语音系统不同，SparkAudio 1.0 试图把更多声音信息纳入统一理解体系。
根据科大讯飞公布的信息，SparkAudio 1.0 不仅支持语音识别、同传和语音交互，还可以处理音频理解、情绪识别、实时说话人分离以及环境声理解等任务。
这也是语音大模型与传统语音识别模型之间一个重要的能力分界。过去，一套完整语音交互系统通常采用级联架构：首先通过声学算法完成降噪，再进行语音识别，将语音转换成文本，交给自然语言理解或大语言模型，最后再通过语音合成输出回答。这种结构每一层都承担明确任务，但也天然存在信息损失。说话人的语气、情绪、环境声音、空间位置等信息，在语音被转换成纯文本以后很容易消失。
讯飞此次强调的方向，是将过去分散处理的部分能力进一步统一，让模型不仅处理语言内容，同时理解声音本身携带的信息。在多人对话环境中，这一点尤其重要。系统需要知道现在是谁在说话、用户有没有打断、不同声音来自什么方向，以及究竟应该回应哪一个人。
SparkAudio 1.0 由此开始从“语音转文字”的传统能力，进一步向完整声音场景理解扩展。目前，该模型相关能力已经进入讯飞输入法 16.0、讯飞听见、讯飞智能办公本等产品。
星火 X2.6-4B：把更多任务搬到本地
除了专门面向声音世界的 SparkAudio 1.0，讯飞此次另一条重要模型路线是端云一体的讯飞星火 X2.6。其中，云端使用星火 X2.6 提供更强的复杂任务处理能力，端侧则由 Spark-X2.6-4B 承担本地任务。
这款 4B 级端侧模型延续了此前 Spark-X2.5 系列的百万 Token 长上下文架构，同时通过新的后训练进一步强化长文本理解、工具调用和智能体任务能力。公开模型信息显示，Spark-X2.6-4B 拥有约 41 亿参数，最长上下文达到约 100 万 Token。
它的上一代是今年 9 月发布的 Spark-X2.5-4B 和 Spark-X2.5-1.7B。两款模型同样原生支持最长 100 万 Token 上下文，其中 1.7B 模型进一步降低了端侧部署所需要的计算资源。
按照讯飞公布的数据，目前部分端侧方案已经能够达到约 70%的云端能力。过去，端侧模型受到参数规模、内存和算力约束，更多只能承担唤醒、固定指令以及简单问答等任务。但随着 4B 甚至更小模型开始具备百万上下文、工具调用和 Agent 能力，部分原本必须上传云端完成的工作开始能够直接留在设备本地。
讯飞表示，简单、高频、涉及敏感数据的任务可以直接由端侧完成；更加复杂的任务调用云端星火 X2.6，还有一部分任务则由两者共同执行。
科大讯飞董事长刘庆峰判断：未来约 60%的应用可以在本地完成，30%通过端云协同解决，剩余约 10%的高复杂度任务交给云端大模型。
讯飞正在把“声学空间”也交给模型理解
仅仅提高语言模型能力，还解决不了真实世界里的交互问题。一个人在办公室里与 AI 讲话，和五个人在嘈杂展厅里同时交谈，对系统而言是完全不同的问题。
因此，在 SparkAudio 1.0 之外，讯飞还公布了新的多模交互和具身多模交互技术，把声源定位、多人交互、视听觉信息和空间环境进一步结合。
此前，讯飞已经尝试将唇动视觉信息与麦克风阵列结合，用多模态方式解决多人嘈杂环境中的“鸡尾酒会问题”。但这类方案也存在局限。例如，不同光线、角度以及用户是否面对摄像头，都会影响视觉信息的有效性。
此次讯飞进一步引入全景摄像头与环形麦克风阵列，使系统能够在 360 度空间内处理多人声音。根据披露数据，在多人同时聊天时，系统串扰率可以降至 1.7%以下；最高 5 人同时交互情况下，实时分辨率达到 87%。
在机器人方向，讯飞此次公开的“星火具身多模交互技术”则继续向前走了一步。其能力包括复杂空间动态降噪、多目标人的交互意图识别、语音与动作统一规划和执行，以及由视觉信息触发的主动交互。
这意味着 AI 需要解决的问题不再只是“听见谁说话”，还需要理解不同人在空间里的位置、状态和意图，并进一步决定自己的动作。对于服务机器人而言，这种能力的重要性并不亚于纯粹的大语言模型推理能力。
从一台设备回答，到整个空间“接着聊”
模型能力向物理空间延伸后，设备之间的上下文割裂也开始成为问题。
目前，一个家庭里的电视、手机、音箱、投影仪等设备通常拥有各自独立的交互系统。用户在客厅电视上启动一个任务，换到卧室另一台设备后，系统通常不知道前面发生过什么。
讯飞的解决办法是通过统一云端 Agent 管理上下文与任务状态，让多个设备共享同一段交互过程，实现自动换端、换端继续聊天以及不同设备之间的任务协同。
这意味着语音助手的主体可能逐渐从“一台硬件”转向“整个空间”。用户不再需要主动判断应该对哪台设备讲话，系统可以根据距离、任务类型和设备能力，决定由谁接收指令、由谁进行回答以及任务最后在哪个设备完成。
这与端云模型背后的逻辑实际上是一致的：AI 不再绑定固定终端，而是根据当前任务动态决定应该调用哪种模型、哪台设备和哪项能力。
面向海外硬件市场，多语种也是讯飞此次重点强化的一项能力。
目前讯飞开放平台已经支持 40 种以上语言，其中 30 种语言能够实现免切换语音交互。所谓免切换，即用户无需事先选择英语、法语或其他语言，系统可以直接判断当前使用的语言并完成识别和响应。讯飞开放平台目前还提供独立的“多语种识别大模型”，官方产品页面显示，其可支持 37 种多语种音频免切识别。
