10月23日晚，在2026科大讯飞全球1024开发者节主论坛上，董事长刘庆峰发布星火语音大模型SparkAudio 1.0、多模交互技术以及星火具身多模交互技术及相关产品，宣布将沿语音交互、多模交互、具身多模交互持续进阶。

语音交互领域，高噪识别是长期难点，复杂音频感知与多人语音分析更属进阶功能。SparkAudio 1.0在语音识别、同传和交互，以及音频理解、情绪识别、实时说话人分离和环境声理解等能力上全面提升。据介绍，它具备类似刑侦剧中声音侦探的能力，即便置身嘈杂街头也能分辨喇叭声、叫卖声、车轮摩擦声，从声音线索中推理周围环境。

性能方面，相关语音识别测试整体效果提升20%，响应时间降低15%，成本降低60%。SparkAudio 1.0已在讯飞产品中上线，可在讯飞输入法16.0、讯飞听见、讯飞智能办公本中体验。现场还发布讯飞AI录音环，可磁吸在手机背面，2小时录音转写仅需2分钟，综合识别准确率超96%。

多模交互技术上，讯飞融合多模远场识别、多人交互、视听觉融合理解、个性化记忆和情感语义，讯飞AI眼镜是该技术的典型应用，现场演示了用眼镜记录的演讲纪要，图文并茂。

从终端走向移动机器人，交互还要适应空间变化、多人参与和动作执行。讯飞发布的星火具身多模交互技术，在复杂空间动态降噪、多目标交互意图识别、语音与动作统一规划执行、视觉触发的主动交互等方面取得突破。同时推出机器人超脑平台V3.0，整合星火超脑板、具身智能开发套件、多模态交互模组及具身多模交互Harness，通过端云协同、前后台协同，让机器人前台畅聊不停、后台持续办事，并支持模块化、配置化的行业定制。

成本下降是这轮发布最实在的信号。语音交互此前难以在低价硬件上普及，主要卡在算力与调用成本；成本降低六成之后，录音笔、眼镜、玩具、家电等海量长尾设备接入语音大模型的门槛明显下移，行业竞争也将从参数比拼转向场景与体验的打磨。

（信息来源：新浪科技）