讯飞把语音基座模型单独发了一版

看电影时只给 AI 一段音频，它能从对话、背景音乐和车声里推断出这是什么场景——这是讯飞在新品发布会现场展示的画面，背后的模型这次正式发了版。

一、发生了什么

据 InfoQ 报道，10 月 22 日，2026 科大讯飞全球 1024 开发者节在北京开幕，董事长刘庆峰在主论坛发布星火语音基座大模型 SparkAudio 1.0。传统语音系统走级联路线：先降噪、再识别、转成文本后交给语言模型，说话人的语气、环境声、声源位置在转写过程中大量丢失。SparkAudio 1.0 的思路是把更多声音信息纳入统一建模：在语音识别、同传、交互的基础上，新增音频理解、情绪识别、实时说话人分离和环境声理解四类任务。厂商称背后有三项技术创新——半监督音频编码器、动态分段端到端建模、双范式协同解码，自测整体效果提升 20%、响应时间降低 15%、成本降低 60%。该模型基于全国产算力训练，已接入讯飞输入法 16.0、讯飞听见、智能办公本等产品。

二、跟你有什么关系

做智能硬件的开发者：机器人、车载、智能家居面对的是多人抢话和噪声环境，统一建模的语音底座比级联方案更扛现场，讯飞同步推出了配套的机器人开发套件。

开会多、录音多的职场人：现场同发的录音硬件支持说话人实时识别，厂商称两小时录音约两分钟完成转写，综合识别准确率超 96%。

行业采购方：讯飞公布平台语音大模型调用量同比增长超 20 倍，说明这条产品线的需求是真实在涨的，但 20 倍的基数未披露，参考即可。

发布会现场那个音频推场景的演示值得单独一提：模型仅凭一段电影音轨，就分析出人物对话、背景音乐和车辆声，推断所在场景。这正是「听清」与「听懂」的差别——前者输出文字，后者要理解声音之间的关系。这类能力对安防巡检、会议纪要、车载助手都有直接用处，当然演示场景是挑过的，真实环境的稳定性要另说。

三、怎么用

1. 普通用户直接在讯飞输入法 16.0 或讯飞听见里体验，新能力已全系上线，不用等开放接口。
2. 做硬件的团队去了解机器人超脑平台的端云协同方案，判断是否比自己搭语音链路划算。
3. 评估效果时重点测高噪场景：厂商的所有提升数字都是官方口径，用你自己的噪声环境录一段对照最靠谱。

四、三个别信的说法

效果提升 20% 是横向比较。 那是讯飞对自家上一代方案的自测值，不是和竞品比。选型时别拿这个数直接对比别家宣传的百分比。

统一建模一定优于级联。 统一建模减少信息损失是理论优势，但级联方案各环节可独立优化和替换，工程上未必输。具体场景要实测两种架构。

全国产算力训练等于效果打折。 厂商口径是端侧模型已实现约七成云端能力，训练算力来源和模型能力是两回事，不必因为标签先入为主。

五、一句话结论

语音交互正从听清一句话走向听懂一个现场，能力边界扩了，但所有提升数字都还停在厂商自测这一层。

信息来源

• InfoQ：讯飞发布新一代端到端交互模型（2026-10-22）
• 大皖新闻：SparkAudio 1.0 发布报道（2026-10-23）

功能与价格以官方公告为准。本文写于 2026 年 10 月 24 日。