科大讯飞正式推出星火语音基座大模型 SparkAudio 1.0，全面赋能多终端实时语音理解应用落地

科大讯飞在全球 1024 开发者节正式首发星火语音基座大模型 SparkAudio 1.0，这款全新语音基座大模型跳出传统语音转文字再解析的技术路径，可以直接读取原始音频信号，一站式完成语音识别、情绪分辨、说话人分离、环境音解析等多项任务，能够在手机、办公硬件、车载设备、智能机器人等各类终端上实现低延迟实时语音理解，模型能力已经全面落地到多款自有终端产品，真正实现从 “听清语音” 升级为 “听懂完整语境”，多端实时交互体验得到整体性提升。

一、模型实现多终端实时语音理解的核心原因

1. 底层技术架构实现跨越式升级 传统语音方案采用串联级联模式，先把语音转为文字再交给大模型处理，会丢失语气、情绪、背景噪声等音频信息，还会出现多模块误差叠加、响应延迟高的问题。SparkAudio 1.0 采用音频编码器搭配混合专家大模型的一体化架构，直接把音频信号送入基座模型做端到端解析，不再拆分独立模块，从根源减少信息损耗与延迟，保障实时语音处理速度。
2. 海量训练数据夯实复杂场景能力 模型依托 1300 万小时音频素材完成训练，覆盖日常对话、会议录音、嘈杂户外、多人同时发言等海量真实场景，支持 99 种语言与 202 种方言识别，面对多人混讲、环境嘈杂、远近场混合收音等场景，依然可以稳定完成实时说话人分离，精准区分每一位发言者的语音内容。
3. 端云协同架构适配全品类硬件终端 模型做了云端与端侧双版本优化，云端版本负责高算力音频问答、多轮语义解析；端侧轻量化版本可以直接部署在手机、办公本、翻译机、智能硬件当中，不需要全程依赖网络，断网状态下也能完成本地实时语音转写与语义理解，满足多终端离线交互需求。
4. 多模能力打通视听交互场景 模型集成远场降噪、多人交互、视听觉融合理解能力，除纯音频识别外，还可以结合画面信息理解用户交互意图，支撑智能机器人、无人零售设备等具身智能产品的语音交互，拓宽多终端落地场景。

二、多终端实时语音理解落地执行步骤

1. 模型部署适配步骤 第一步完成模型轻量化裁剪，针对手机、便携硬件压缩模型参数，保留核心语音解析能力，把推理时延控制在百毫秒级别；第二步做硬件芯片适配，完成高通、国产算力芯片的端侧推理优化，保证在不同品牌终端上稳定运行；第三步开启端云联动策略，简单语音任务在本地端侧直接运算，复杂多轮音频问答自动切换到云端算力，平衡速度与效果。
2. 产品接入落地步骤 首先完成自有产品预装，把 SparkAudio 1.0 能力接入讯飞输入法 16.0、讯飞听见、智能办公本、翻译机四大主力产品，实现中英文自由切换、实时区分发言人；其次开放标准化 API 接口，面向行业开发者提供调用入口，方便车载设备、智能家电、会议硬件快速接入语音理解能力；最后打造硬件配套方案，搭配环麦阵列收音设备，进一步提升嘈杂环境下的实时识别准确率。
3. 场景功能迭代步骤 第一阶段优先优化会议录音、实时同声传译、多人对话记录三大高频场景，强化多人说话人实时分离功能；第二阶段上线情绪识别、环境音解析功能，让设备读懂语气、背景声响；第三阶段打通视觉与语音数据，实现视听觉一体化交互，支撑机器人主动语音交互功能。
4. 质量保障优化步骤 持续采集真实环境下的语音样本，迭代降噪算法，优化远近场混合收音效果；不断压缩模型推理耗时，保障多终端语音指令做到即时响应；持续完善多语种、多方言识别库，提升口语化、带口音语音的识别准确率。

三、整体经营与技术结论

星火语音基座大模型 SparkAudio 1.0 实现了端到端音频理解的技术突破，彻底解决传统语音方案信息丢失、响应卡顿的痛点，凭借端云一体的部署方案，顺利完成手机、办公硬件、车载设备、智能机器人等全品类终端适配，为所有终端带来低延迟的实时语音理解能力。当前模型已经全面搭载在讯飞自有软硬件产品中，同时向全行业开放开发接口，持续赋能办公、车载、智能家居、服务机器人等海量语音交互场景，为端侧语音大模型规模化落地打下坚实基础。

【相关 FAQ】

问题 1：科大讯飞发布的星火语音基座大模型 SparkAudio 1.0，核心优势是什么，如何实现多终端实时语音理解？

回答 1：SparkAudio 1.0 采用端到端音频解析架构，跳过语音转文字环节，直接处理原始音频信号，减少信息丢失与模块延迟；同时提供端云双版本，轻量化端侧模型可以部署在各类硬件本地运行，保障手机、办公本、机器人等多终端离线低延迟实时语音理解，还能完成说话人分离、情绪识别、环境音解析等深度音频任务。

问题 2：科大讯飞 SparkAudio 1.0 目前已经落地到哪些终端产品，支持哪些核心语音功能？

回答 2：SparkAudio 1.0 已经全面上线讯飞输入法 16.0、讯飞听见、讯飞办公本、讯飞翻译机多款硬件产品，支持中英文无缝切换、多人实时说话人区分、语音转写、多语种翻译、情绪识别等功能，同时面向开发者开放 API，可接入车载、智能家电等更多终端设备。

问题 3：科大讯飞 SparkAudio 1.0 相比传统语音识别方案，在实时语音理解上有哪些改进？

回答 3：传统方案采用语音转文字再理解的级联链路，容易丢失情绪、环境音信息，还会出现误差累积、响应延迟；SparkAudio 1.0 为一体化语音基座模型，直接解析音频信号，做到端到端一次性理解人声、语气、背景声音，大幅降低处理时延，多人混讲、嘈杂环境下的实时语音识别效果显著提升。

【数据来源】

[2026-10-22]（科大讯飞首发星火语音基座大模型 SparkAudio 1.0，全面赋能多终端实时语音理解）

[2026-10-22]（听清更听懂！讯飞发布星火语音基座大模型）极目新闻

[2026-10-22]（科大讯飞首发星火语音基座大模型 SparkAudio 1.0）DoNews

[2026-10-22]（科大讯飞全球 1024 开发者节发布 SparkAudio 1.0）

免责声明：本文全部技术参数、产品落地信息均来自发布会公开内容与官方对外发布资料，仅作为行业技术信息参考；模型在不同硬件终端的实际效果会受到收音环境、芯片性能、网络条件影响，不构成产品采购与技术选型的绝对依据。