科大讯飞SparkAudio 1.0发布：多声源混叠音频也能解析定位
用全国产算力训练的底座，破局智能语音不可能三角。
科大讯飞上周在2026年全球1024开发者节期间发布星火语音基座大模型SparkAudio 1.0，该模型依托全国产算力训练。
如果让你扮演一名刑侦助手，你能从下面数种声源混叠的音频里分析出受害人的所在位置吗？
被拐的孩子究竟在哪儿？讯飞新近推出的语音基座大模型SparkAudio 1.0几秒钟便给出了判断：孩子身边响着大型机械设备有规律的噪音，人可能在火车或地铁上。
模型给出了完整的分析过程。它没有因为孩子提到“歌声”就默认这是人或乐器发出的声音，而是结合嗡鸣声、机械设备的规律性噪音等数种声源，以及孩子所说的“在车上”，推断可能是什么场景发出的声音。不过，音频里还能听到短促的警示音，模型并没有对此展开分析。
下一段音频中，孩子描述了自己所处的环境。我们在提示词里要求模型不针对语音内容做推测，须凭各种声音分析推断被拐孩子附近的状况。
SparkAudio 1.0分析时会把孩子说话的内容与声音结合起来，将音频中汽车声、机械设备声、小朋友说话声等各种声音，与孩子描述的“汽车在开会”、“圆圆的车”等抽象内容对应，推断出周围可能有大量体积较大的车。随后在结论中，它通过声音线索给出孩子所处位置的几项关键特征。
不过，上一个问题里模型分析出被拐孩子可能在乘坐火车或地铁，却没有结合两段音频做综合性判断。刑侦场景对线索判断的严谨性要求非常高，即便如此，SparkAudio 1.0已经展现出帮助专业人士从音频文件中挖掘更多潜在线索的能力。
人类最本能、也最省力的沟通方式之一就是说话。以往AI多半只盯着语音里的文字信息，而SparkAudio这类能对声场和人声做复杂感知、理解与推理的模型，正把语音交互带进一个新阶段。
AI与物理世界的连接日益紧密，智能座舱、AI眼镜、人形机器人等诸多场景相继落地，大模型不仅要听清、听懂，还需要在动态复杂环境里同步感知声音、理解意图、协调行动。
科大讯飞在语音赛道上处于头部位置，接下来会沿“语音交互—多模交互—具身多模交互”一步步推进，用软硬一体的技术和产品创新，让新一代人机交互进入日常场景。
上周2026年科大讯飞全球1024开发者节期间，依托全国产算力训练的星火语音基座大模型SparkAudio 1.0发布，正是这条技术路线的最新成果。围绕这一基座模型，科大讯飞在语音识别、语音同传、实时语音交互等专项场景上，搭起了一套分层落地的思路：
第一步是建通用语音基座大模型，完成统一的音频预训练，让模型习得人声、环境声、时序关联、说话人关系等通用音频表征；基座模型负责提升识别、同传、实时交互等基础能力，并拓展音频理解、情绪识别、实时说话人分离和环境声理解能力；随后再由语音专用任务大模型针对具体任务做极致调优。任务效果、任务精度、时延与工程成本，就靠这样的分工来平衡。
下一代AI应用落地，语音已是核心的交互载体。这套用全国产算力打磨出来的语音基座大模型，正为人机自然对话和沉浸式交互打底，让大模型真正听懂声音里的场景、关系与意图，为下一代智能硬件的交互变革提供支撑。
一、搞定智能语音不可能三角？语音基座大模型是杀手锏
语音和图文不一样，它是原生连续的交互方式，能解放眼和手，也适配移动、具身场景的交互需求，因此成了智能座舱、AI眼镜、机器人等下一代硬件的核心交互方式。
不过这些场景随之对语音交互的各项指标提出了更高要求，智能语音效果、任务的准确率与时延指标、工程成本，三者很难同时拉满。
我们从科大讯飞亮出的最新答卷里，看到一条平衡这三者的可行路径：语音基座大模型+语音专用任务大模型。
新发布的SparkAudio 1.0就是这套方案的基座。它支持文本、语音双模态输入和文本模态输出，能完成语音转写、多语言翻译、多方言识别、环境音识别、说话人分离、情感分析以及复杂音频问答等任务。
根据科大讯飞公开的基准测试结果，相比于业界多款SOTA闭源模型，SparkAudio 1.0的表现更优，在指令跟随方面与其他模型持平。
开头那个案例也说明，音频自带时序、说话人、环境等独有信息，分析起来要面对场景复杂、噪声干扰强、实时性要求高等难题。独立语音基座大模型的价值在于，先把声学细节吃透、把复杂声场难题攻克，再叠加多模态信息互补增效，这样才更贴近真实交互场景。
因此，为了补强模型表征能力、压缩端到端时延、降低推理算力开销，科大讯飞采用了三大核心技术：
首先是半监督音频解码器SemiEnc针对的是语音领域表征建模弱的痛点。
预训练时，它把量化器的输入从原始声学特征换成语音专用任务大模型提取的强化表征，这些表征结合有监督数据构建；同时引入不同维度的信息先验，靠多任务训练明显增强编码器的建模能力，语音识别等任务的鲁棒性随之提升，各项任务的效果也得到改善。
其次是动态分段端到端建模S-S2S，进一步降低端到端时延。
这套建模走的是语音到语音的端到端路线，靠语音理解与生成之间的融合反馈来做决策，把识别、理解、生成三个模块在时序上的隔断打通。增量流式语义驱动可以提前生成，动态反馈负责校正，效果守住的同时，语音同传和实时语音交互的响应延迟被压了下来，实时语音业务对低时延的要求由此得到满足。
收尾的一环是双范式协同解码CoDec，作用是削减推理所需的算力开销。
具体做法上，音频编码器先走非自回归CTC Decoder并行解码，一次把结果生成出来；随后LLM自回归模块通过投机解码判断要不要介入、从哪一步开始做自回归修正。效果得以兼顾，平均推理时延和计算成本也一并降了下来。
二、语音专用任务大模型在基座之上迭代，识别、同传等模型表现突出
在这层底座之上，科大讯飞把音频感知、理解、推理合成一体，以自研的独立语音基座大模型充当上层各项语音能力的核心支撑。
孵化出来的语音专用任务大模型共有三个：星火语音识别大模型Spark-ASR-2.0、星火语音同传大模型Spark-LiveTranslation，以及语音交互大模型Spark-Audio-Realtime。
分工并不含糊：听懂音频的事交给基座大模型，把单项任务做到工程可用则交给专用任务大模型。产业侧既要通用理解、又要专项高性能，这套分层思路对应的正是这种现实需求。
拿星火语音识别大模型Spark-ASR-2.0来说，它在准确识别之外还能结合上下文逻辑和语境理解，直接给出更连贯的内容，把音频里的语气词、重复表达等冗余信息剔除掉。
下面几个场景里，多段音频混杂了时间、书名、网页链接、中英文等内容，模型最终输出的是完整通顺的文本，数字、单位、标点符号等格式也规范。讯飞输入法16.0已经接入该模型，通用识别、复杂声学场景识别、上下文识别和文本流畅规范性均有提升。
官方测试结果显示，与当前业界最好水平相比，Spark-ASR-2.0在方言、高噪和小音量场景上优势明显，主要任务效果均优于业界最优水平。
支撑这些表现的，同样是科大讯飞在语音领域积累的多项技术突破，其搭建了非自回归识别与LLM增强自回归识别并行的专用语音识别架构。
非自回归识别模块承接了Spark-Audio-1.0-Preview的音频表征和复杂声学场景建模能力，再通过MoE扩展和增量持续训练，把大规模真实复杂场景下的识别鲁棒性提上去。LLM增强自回归识别模块则进一步释放大语言模型的语言覆盖、上下文理解和推理能力，由投机解码判断是否需要介入、以及从何处开始自回归修正。
研究人员还针对中英文混合场景的数据匮乏、上下文信息融合等问题做了增强：构建大规模中英文混合文本数据，用联合文本辅助与相似音素泛化来拟合不规范发音，并把多源语境编码为结构化表征，与声学信息深度融合。
另一个语音专用任务大模型是星火语音同传模型Spark-LiveTranslation。实测数据显示，对比线上系统，其MOS评分从4.4提升到4.6，S2S响应时间也明显缩短。
同声传译的输入条件跟普通语音交互不一样，场景多、任务时长长，语句长度、发言语速、现场环境、专业术语等方面差异都很大。
针对这些情况，科大讯飞提升了Spark-LiveTranslation的场景感知、长历史理解、播报长度调控和复杂场景鲁棒性。
执行任务时，模型会先判断当前是长篇演讲、双人对话还是多人回忆，再挑选与交流方式相匹配的“翻译质量—翻译延迟”策略，调整等待语义信息的程度和译语输出节奏，贴合现场的同传节奏。
同传场景往往持续时间较长，同一个名词在不同段落里的说法也可能不同。模型会把长历史语境纳入对当前内容的理解，借助前文建立的实体指向、术语含义和话题线索，提升篇章级的翻译一致性。
面对发言人的语速习惯和不同语言的表达习惯，Spark-LiveTranslation把长历史篇章理解与播报状态结合起来，动态调控译语的表达长度。播报出现积压时，模型会在不丢主旨、意思一致的前提下保留关键事实与逻辑关系，改用更紧凑的表达。
复杂专业场景是另一道关卡，比如中文句子里穿插英文术语、产品名称、缩写、方言表达。模型能结合领域语境去理解。以医疗场景为例，“三甲医院”与“三乙医院”包含不同的等级信息，模型可以准确翻译并保留这种专业含义上的区别。后续Spark-LiveTranslation将逐步上线讯飞听见、讯飞AI眼镜，带来更好的同传交流体验。
语音交互同样是科大讯飞重点布局的方向，星火语音交互大模型Spark-Audio-Realtime正针对多轮对话场景做深度优化。
三、应用遍地开花，讯飞正在打整条语音产业链的地基
进入大模型时代，语音技术的竞争壁垒已经换了位置。WER（词错误率）这类单点指标不再是唯一标尺，竞争核心向音频预训练数据体系、架构选择、算力自主与端云一体化闭环等方向延伸。
国内智能语音这盘棋，各家下法并不一样：有人把筹码压在开源音频模型上，有人靠通用多模态模型撑场面，也有人盯住端侧那点轻量语音场景。讯飞这次亮出的，是在全国产算力上训练出来的语音基座模型——放到智能语音赛道上，这是个关键变量。往上走，讯飞这套语音技术正到处落地，人机交互跟着一轮轮往前走，AI也由此从数字世界迈进了真实物理空间。
科大讯飞SparkAudio 1.0如今已铺到自家多条产品线上，软件侧有讯飞输入法、讯飞听见等，硬件侧则装进了讯飞翻译机、讯飞AI录音环、讯飞AI眼镜、讯飞办公本以及具身智能等载体。拿讯飞智能办公本和讯飞AI录音环来说，借SparkAudio 1.0升级之后，不少复杂的语音交互场景都能应付得更轻松。
讯飞智能办公本这次的变化集中在三处：手写标注说话人姓名后，后面发言会自动对上号；遇到抢话、多人交叠发言，也能把说话人分清楚；中英混杂、专业术语扎堆的场合，识别照样精准。
另一款以语音采集为主打的讯飞AI录音环，除了识别和整理分析的精度往上走，还从硬件上把高效录音的门槛压了下来。整机35克，能直接磁吸在手机背面。用户轻按机身按键就能随时开录；录完之后经WiFi 6高速传输，2小时录音大约10秒传到手机、2分钟转成文字，还能智能区分说话人、生成AI会议纪要、提炼重点及待办事项，多语种同声转译也支持。
可穿戴设备、智能座舱、人形机器人这些新硬件新软件，眼下对远场复杂音频处理的要求都在抬高。讯飞这套语音基座模型，已经显露出充当各类多模态硬件通用底层能力组件的潜力。
四、长坡厚雪，久久为功，讯飞已构筑三层语音壁垒
语音技术有多重要不必多说，可在复杂环境里做到稳定可靠的识别与理解，从来不是一步到位的事，得靠海量声学数据一点点沉淀、长年工程打磨和持续迭代。语音领域的探索，本来就是一场跨越周期的长跑。
科大讯飞在这条赛道上的布局能追溯到三十多年前，从语音合成起步，逐步覆盖识别、机器翻译、交互等多个维度，一边深耕语音技术，一边在Blizzard Challenge、CHiME、IWSLT等不同方向的国际权威语音赛事上多次拿下桂冠。
2024年，由科大讯飞作为第一完成单位的“多语种智能语音关键技术及产业化”项目，荣获2023年度国家科学技术进步奖一等奖。这个奖项分量不一般——深度学习掀起全球AI浪潮之后，它是近十年AI领域首个国家科技进步一等奖。大模型浪潮起来后，语音技术又多了新的窗口。
于是科大讯飞技术布局提速，把多年语音技术积累和大模型能力深度融合，朝通用基座大模型、语音专用大模型等方向发力。从首发自回归语音大模型架构，到陆续推出星火语音同传、识别等大模型，再到迭代多模态交互方案，直到如今落地基于全国产算力的语音基座大模型，讯飞把长期语音落地经验与海量软硬件产品沉淀的数据打通复用。
数十年攒下的声学认知、场景经验，被它装进了新的基座框架，语音交互因此有了新的想象空间。大模型新周期里，科大讯飞在智能语音领域已经筑起三层核心壁垒：国产算力自主闭环；统一基座搭配语音专用任务大模型的分层技术路线；沉淀多年的语音工程能力与端云数据闭环优势。这些为国产多模态硬件、具身智能、智能座舱、可穿戴生态等提供了自主可控的语音地基。
结语：为国产语音赛道打下自主可控的地基
SparkAudio语音基座大模型及语音专用大模型这套创新体系，是讯飞立足多年语音积累交出的答卷。它既能向内支撑科大讯飞自家办公本、录音环、翻译机等终端产品的体验，也能向外输出底层能力，开放给可穿戴、智能座舱、具身机器人等各类硬件。从布局看，科大讯飞已经搭起一套可生长的语音原生底座，持续驱动识别、同传等核心能力迭代，为国产智能语音产业打下自主可控的音频地基。
