科大讯飞发布SparkAudio 1.0，语音模型调用量增20倍

10月22日，科大讯飞披露新一代人机交互技术，发布星火语音基座模型SparkAudio 1.0、端云一体通用模型星火X2.6及端侧模型Spark-X2.6-4B。开放平台数据显示，2026年大模型相关硬件的装机量、激活量和单设备交互次数均在增长，语音大模型调用量同比提升超过20倍。

SparkAudio 1.0不再局限于ASR和TTS，而是将语音识别、同传、语音交互、复杂音频理解、情绪识别、实时说话人分离及环境声理解纳入统一建模。传统级联系统在降噪、转写和合成过程中容易丢失语气、情绪、声源位置等信息，新模型则尝试判断谁在说话、是否发生打断以及应回应哪位用户。相关能力已应用于讯飞输入法16.0、讯飞听见和讯飞智能办公本。

端云协同方面，云端星火X2.6负责复杂任务，Spark-X2.6-4B承担本地处理。该模型约41亿参数，延续百万Token上下文能力，最长上下文约100万Token，并通过后训练增强长文本理解、工具调用和智能体任务能力。其前代Spark-X2.5-4B与1.7B于9月发布，同样支持最长100万Token上下文。讯飞称，部分端侧方案已达到约70%的云端能力，刘庆峰预计未来约60%的应用在本地完成、30%由端云协同处理、10%交给云端。

在空间交互上，讯飞结合全景摄像头与环形麦克风阵列，实现360度多人声音处理；多人同时交谈时串扰率可降至1.7%以下，最多5人交互时实时分辨率达到87%。面向机器人，星火具身多模交互技术还支持动态降噪、多目标意图识别、语音与动作统一规划执行，以及由视觉触发的主动交互。

讯飞还通过统一云端Agent保存上下文和任务状态，让电视、手机、音箱、投影仪等设备支持自动换端、持续对话和任务协作。开放平台已支持40多种语言，其中30种可免切换交互；其多语种识别大模型支持37种语言的免切换音频识别。