科大訊飞發布 SparkAudio 1.0 語音基座模型與 Spark-X2.6-4B 端側模型，端側已達約 70% 云端能力

科大訊飞於 10 月 22 日發布新一代人機交互技術，包括語音基座大模型 SparkAudio 1.0，以及端云一體通用大模型讯飞星火 X2.6 與端側模型 Spark-X2.6-4B。據讯飞開放平台數據，2026 年語音大模型相關調用量同比增長超過 20 倍。 SparkAudio 1.0 在語音識別、同傳與語音交互之外，擴展至複雜音頻理解、情緒識別、實時說話人分離與環境聲理解，目的是保留傳統級聯架構（降噪、ASR、LLM、TTS）中容易流失的語氣、情緒與空間資訊。該模型相關能力已進入讯飞輸入法 16.0、讯飞听见與讯飞智能办公本等產品。 Spark-X2.6-4B 約 41 億參數，延續 Spark-X2.5 系列的百萬 Token 上下文架構，並透過新的後訓練強化長文本理解、工具調用與智能體任務。其上一代為今年 9 月發布的 Spark-X2.5-4B 與 Spark-X2.5-1.7B。讯飞稱部分端側方案已能達到約 70% 的云端能力；簡單、高頻或涉及敏感資料的任務由端側完成，複雜任務交由云端星火 X2.6，部分任務則端云協同。董事長刘庆峰判斷，未來約 60% 應用可在本地完成，30% 透過端云協同，約 10% 高複雜度任務交給云端。上述 70% 與 60%/30%/10% 的比例均為公司方面的說法，尚未見獨立驗證。 在多模交互方面，讯飞引入全景攝像頭與環形麦克風陣列，可在 360 度空間處理多人聲音。披露數據顯示，多人同時聊天時串擾率可降至 1.7% 以下；最高 5 人同時交互時，實時分辨率達 87%。機器人方向的「星火具身多模交互技術」則包含複雜空間動態降噪、多目標交互意圖識別，以及語音與動作統一規劃。 讯飞還透過統一云端 Agent 管理上下文與任務狀態，讓家中電視、手機、音箱等設備共享同一段交互過程，實現自動換端與續聊。 多語種方面，讯飞開放平台支援 40 種以上語言，其中 30 種可免切換語音交互；獨立的「多語種識別大模型」官方頁面顯示可支援 37 種多語種音頻免切識別。