讯飞发布SparkAudio 1.0语音基座模型，语音大模型调用量同比增超20倍

10月22日，科大讯飞集中披露新一代人机交互技术进展，正式发布星火语音基座大模型SparkAudio 1.0，并同步亮相新一代端云一体通用大模型讯飞星火X2.6及端侧模型Spark-X2.6-4B。讯飞开放平台数据显示，2026年平台大模型相关硬件装机量、激活量及单台设备人机交互次数均快速增长，其中语音大模型相关调用量同比增长超过20倍。

与传统主要围绕自动语音识别（ASR）和语音合成（TTS）展开的语音系统不同，SparkAudio 1.0将语音识别、同传和交互进一步扩展至复杂音频理解、情绪识别、实时说话人分离和环境声理解，试图把更多声音信息纳入统一理解体系。讯飞指出，过去级联架构中语音转文本会丢失说话人语气、情绪、环境声音和空间位置等信息，而统一建模可让模型同时理解语言内容与声音本身携带的信息，这在多人对话环境中尤为重要。目前相关能力已进入讯飞输入法16.0、讯飞听见、讯飞智能办公本等产品。

端云一体方面，云端由星火X2.6提供更强的复杂任务处理能力，端侧由Spark-X2.6-4B承担本地任务。该4B级模型延续百万Token长上下文架构，拥有约41亿参数，最长上下文约100万Token，并通过新的后训练强化长文本理解、工具调用和智能体任务能力。按照讯飞公布的数据，目前部分端侧方案已能达到约70%的云端能力。

讯飞表示，简单、高频、涉及敏感数据的任务可直接由端侧完成，更复杂的任务调用云端星火X2.6，还有一部分任务由两者共同执行。科大讯飞董事长刘庆峰判断，未来约60%的应用可在本地完成，30%通过端云协同解决，剩余约10%的高复杂度任务交给云端。