讯飞发布新一代端到端交互模型：语音大模型调用量暴涨20倍，端侧已实现约70%云端能力

大模型正一步步走出聊天框，扎进真实世界。语音，很可能是它闯进来时最重要的入口之一。

10 月 22 日，科大讯飞一口气亮出新一代人机交互技术的多项进展。主角之一是正式发布的星火语音基座大模型 SparkAudio 1.0，能力从语音识别、同传、交互，延伸到复杂音频理解、情绪识别、实时说话人分离和环境声理解；同台登场的，还有新一代端云一体通用大模型讯飞星火 X2.6*，以及端侧模型 Spark-X2.6-4B。

讯飞开放平台给出的数据很直白：2026 年，平台大模型相关硬件的装机量、激活量，还有单台设备的人机交互次数都在快速往上走，其中语音大模型相关调用量同比涨了 20 多倍。

数字背后，是智能硬件对大模型的要求变了。光“能对话”已经不够。模型一旦走进机器人、汽车、智能家居和公共服务设备，就得接住这些场面：好几个人同时开口、环境噪声乱成一团、声源来自不同方向、上下文接得很长，还有多台设备之间要协同。

SparkAudio 1.0：从“听清一句话”，到“听懂现场发生了什么”

这次发布的核心模型之一，就是星火语音基座大模型 SparkAudio 1.0。传统语音系统大多围着自动语音识别（ASR）和语音合成（TTS）打转，SparkAudio 1.0 想做的，是把更多声音信息塞进同一个理解框架里。

按科大讯飞的说法，SparkAudio 1.0 不光能做语音识别、同传和语音交互，还能处理音频理解、情绪识别、实时说话人分离、环境声理解这些任务。

这恰好划出了语音大模型和传统语音识别模型的一道分界。过去一套完整的语音交互系统，多半是级联架构：先用声学算法降噪，再做语音识别，把声音转成文本，交给自然语言理解或大语言模型，最后靠语音合成把回答念出来。每一层任务都很清楚，代价是信息一层层流失。说话人的语气、情绪、环境声、空间位置，一旦语音被压成纯文本，很容易跟着没了。

讯飞这次强调的方向，是把过去拆散处理的能力再往一起拢，让模型不只处理语言内容，也读懂声音本身带着的信息。多人对话时，这一点格外要紧。系统得搞明白：现在是谁在说话、用户有没有插话、不同声音从哪个方向来、到底该回应哪一位。

也因此，SparkAudio 1.0 开始从“语音转文字”的老本行，往完整声音场景理解走。眼下，相关能力已经落进讯飞输入法 16.0、讯飞听见、讯飞智能办公本等产品。

星火 X2.6-4B：把更多任务留在本地

除了面向声音世界的 SparkAudio 1.0，讯飞这次的另一条主线是端云一体的讯飞星火 X2.6。云端由星火 X2.6 负责更硬的复杂任务，端侧则交给 Spark-X2.6-4B 处理本地工作。

这款 4B 级端侧模型沿用了此前 Spark-X2.5 系列的百万 Token 长上下文架构，又靠新的后训练，补强了长文本理解、工具调用和智能体任务能力。公开模型信息显示，Spark-X2.6-4B 参数量约 41 亿，最长上下文约 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。两款也都原生支持最长 100 万 Token 上下文，其中 1.7B 模型进一步压低了端侧部署所需的计算资源。

讯飞公布的数据称，目前部分端侧方案已经能达到约 70%的云端能力。早先端侧模型受参数、内存和算力限制，大多只能干些唤醒、固定指令、简单问答的活。可现在，4B 甚至更小的模型也有了百万上下文、工具调用和 Agent 能力，一些原本必须上传云端的事，开始能直接留在设备上完成。

讯飞的安排是：简单、高频、涉及敏感数据的任务，端侧直接做；更复杂的，调云端星火 X2.6；还有一部分，端侧和云端一起扛。

科大讯飞董事长刘庆峰的判断是：未来约 60%的应用能在本地完成，30%靠端云协同解决，剩下约 10%的高复杂度任务交给云端大模型。

讯飞连“声学空间”也想交给模型理解

只提升语言模型，解不开真实世界里的交互难题。一个人在办公室跟 AI 说话，和五个人在嘈杂展厅里同时聊天，对系统来说完全是两码事。

所以除了 SparkAudio 1.0，讯飞还发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拼到一起。

此前讯飞就试过把唇动视觉信息和麦克风阵列结合，用多模态办法对付多人嘈杂环境里的“鸡尾酒会问题”。但这条路有短板：光线变了、角度偏了、用户有没有正脸对着摄像头，都会影响视觉信息好不好用。

这次讯飞再进一步，引入全景摄像头和环形麦克风阵列，让系统能在 360 度空间里接住多人声音。披露数据显示，多人同时聊天时，系统串扰率能降到 1.7%以下；最多 5 人同时交互的情况下，实时分辨率达到 87%。

机器人方向，讯飞公开的“星火具身多模交互技术”又往前迈了一步。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。

换句话说，AI 要解决的早已不只是“听见谁说话”，还得看懂不同人在空间里的位置、状态和意图，再决定自己怎么动。对服务机器人来说，这份本事的分量，不比纯粹的大语言模型推理能力轻。

从一台设备回答，到整个空间“接着聊”

模型能力伸进物理空间后，设备之间上下文断裂的毛病就冒了出来。

现在一个家庭里，电视、手机、音箱、投影仪往往各用各的交互系统。你在客厅电视上开了个任务，走到卧室换一台设备，系统通常两眼一抹黑，不知道前面聊过什么。

讯飞的解法，是用统一云端 Agent 管理上下文和任务状态，让多台设备共享同一段交互，做到自动换端、换端继续聊天，以及不同设备之间任务协同。

这样一来，语音助手的主体可能慢慢从“一台硬件”变成“整个空间”。用户不用再琢磨该对哪台设备开口，系统会根据距离、任务类型和设备能力，判断谁来接收指令、谁负责回答、任务最后落在哪台设备上完成。

这和端云模型背后的逻辑其实是一回事：AI 不再死绑在某个固定终端上，而是按眼前任务，动态决定调用哪种模型、哪台设备、哪项能力。

面向海外硬件市场，多语种也是讯飞这次重点加固的一环。

目前讯飞开放平台已支持 40 种以上语言，其中 30 种语言能实现免切换语音交互。所谓免切换，就是用户不用提前选英语、法语或别的语言，系统会直接判断当前在用哪种语言，完成识别和响应。平台还提供独立的“多语种识别大模型”，官方产品页面显示，它可支持 37 种多语种音频免切识别。