不只聽懂話，還要分清誰在說話：科大訊飛 SparkAudio 1.0 登場
科大訊飛在 10 月 22 日的 1024 開發者節上發表語音基座大模型 SparkAudio 1.0，把語音辨識、即時口譯、情緒辨識與說話人分離收進同一個模型。
語音 AI 的競賽正在從「聽得準」走向「分得清」。科大訊飛董事長劉慶峰在 10 月 22 日的 1024 開發者節主論壇上，發表語音基座大模型 SparkAudio 1.0，標榜的不只是把話轉成文字，而是能分辨誰在說話、當下是什麼情緒、周遭發生了什麼事。
從聽清到分清：一個模型包辦多種聽覺能力
SparkAudio 1.0 把過去分散的功能收進同一個模型：語音辨識、同聲傳譯、情緒辨識、即時說話人分離，以及環境聲音理解。也就是說，模型不只處理語言內容，也處理聲音線索——在嘈雜街頭分辨喇叭聲、叫賣聲與車輪摩擦聲，從交錯的人聲中推斷現場狀況。科大訊飛稱這是從「聽清說了什麼」跨到「聽懂發生了什麼」。
支撐這一步的是三項技術：半監督音訊編碼器、動態分段的端到端建模，以及雙範式協同解碼。官方公布的測試結果是整體效果提升 20%、回應時間縮短 15%、成本降低 60%，目標是讓語音服務更容易大規模落地。
落到產品：辦公本先分清會議裡的每個人
最先吃到這波升級的是會議場景。訊飛智能辦公本 X5 搭載 SparkAudio 1.0 後，轉寫時會先把聲音按人分開、再落成文字，兩個人同時搶話也能各自歸位。使用者還能點開「說話人 1」「說話人 2」這類編號寫上名字，等於完成一次聲紋註冊，之後同一人開口就能自動認出。相關能力在 10 月 24 日推送到 X5 與 Air3。
同一場發表會還端出不少硬體：訊飛 AI 錄音環可磁吸在手機背面，2 小時錄音據稱 2 分鐘就能轉寫完畢，綜合辨識準確率超過 96%；約 40 克的訊飛 AI 眼鏡以 5 麥克風陣列搭配骨傳導與唇動辨識，支援 120 多種語言翻譯，同傳首句回應壓到 2 秒內；星火智慧座艙 3.0 則號稱具備超過 100 項多模感知能力，車外遠場互動距離達 30 公尺。
機器人也要會「邊聊邊辦事”
發表的另一條主線是具身智慧。科大訊飛推出機器人超腦平台 V3.0，把超腦板、開發套件與多模態模組整合起來，讓機器人在前台和人對話的同時，後台持續處理任務。官方稱平台已導入 500 多家機器人企業、超過 10 萬台裝置，中國主要機器人企業有九成是其客戶。
從辦公本到眼鏡、座艙與機器人，這場發表會的訊息很一致：語音互動的下一站，是讓機器在真實、吵雜、多人的環境裡，仍然分得清狀況、跟得上對話。至於實際體驗能否兌現發表會上的數字，就等使用者手上的裝置來說話了。
資料來源
- 鳳凰網大風號, “引領新一代人機交互，科大訊飛全新發布星火語音基座大模型 SparkAudio 1.0”, 2026-10-22
- 鳳凰網大風號, “1024首发：当科大讯飞办公本开始分辨声音，一场会议记录变了什么？”, 2026-10-22