数种声源混叠也能精准解析！科大讯飞亮出语音基座大模型SparkAudio 1.0

智东西 作者 程茜 编辑 漠影 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？ https://oss.zhidx.com/0c33ff14052d1fbdf18a5c8d2c597ae0/6ae0ca80/uploads/2026/10/6ae18c1fde699_6ae18c1fd995f_6ae18c1fd992b_%E9%9F%B3%E9%A2%91%E7%89%87%E6%AE%B51.wav 讯飞最新发布的语音基座大模型SparkAudio 1.0，在几秒内就给出了答案：被拐孩子周围是大型机械设备发出的规律性噪音，可能在火车或地铁上。 模型给出了完整的分析过程，其没有根据孩子提到的“歌声”就默认是人或乐器发出的声音，而是通过嗡鸣声、机械设备的规律性噪音等数种声源，以及孩子提到的“在车上”去分析可能是什么场景发出的声音。不过，我们在音频中还能听到短促的警示音，模型并没有对此进行分析。 接着下一段音频里，孩子描述了自己所处环境。我们在提示词中要求模型不针对语音内容进行推测，需凭各种声音分析推断被拐孩子附近的状况。 https://oss.zhidx.com/ee743099f118c2f6e870b17e1c6093d6/6ae0ca80/uploads/2026/10/6ae18c666aeab_6ae18c6667300_6ae18c66672d1_%E9%9F%B3%E9%A2%91%E7%89%87%E6%AE%B52.wav 可以看到，SparkAudio 1.0分析时会将孩子说话的内容与声音结合分析，其把音频中汽车声音、机械设备、小朋友说话等各种声音，和孩子描述的“汽车在开会”、“圆圆的车”等抽象内容对应，分析出周围可能有大量体积较大的车等。然后在结论中通过声音线索给出孩子所处位置的几项关键特征。 不过，模型上一个问题就分析了被拐孩子可能在乘坐火车或地铁，但模型并没有结合两段音频做一些综合性判断。值得一提的是，虽然刑侦场景对于线索判断的严谨性非常高，但SparkAudio 1.0已经展现出帮助专业人士在音频文件中挖掘更多潜在线索的能力。 语音本身是人类最本能、最低成本的沟通方式之一。过去AI大多只聚焦识别其中的文字内容，而像SparkAudio这样具备声场+人声复杂感知、理解和推理能力的模型，正让语音交互迈入全新阶段。 伴随AI与物理世界的连接日益紧密，在智能座舱、AI眼镜、人形机器人等诸多场景落地，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。 在这一背景下，作为语音技术赛道的头部玩家，科大讯飞将沿着“语音交互—多模交互—具身多模交互”持续进阶，以软硬一体的技术和产品创新，推动新一代人机交互走进日常生活。 这条技术路线的最新成果，就是其上周2026年科大讯飞全球1024开发者节期间，发布的依托全国产算力训练的星火语音基座大模型SparkAudio 1.0。基于这一基座模型，科大讯飞在语音识别、语音同传、实时语音交互等专项场景，形成了一套分层落地思路： 先搭建通用语音基座大模型完成统一音频预训练，让模型学习人声、环境声、时序关联、说话人关系等通用音频表征；基座模型提升识别、同传、实时交互等基础能力,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,再由语音专用任务大模型面向具体任务做极致调优，以此平衡任务效果、任务精度、时延与工程成本。 语音已经成为下一代AI应用落地的核心交互载体。这套依托全国产算力打磨出来的语音基座大模型，正在为人机自然对话、沉浸式交互打下根基，推动大模型真正听懂声音里的场景、关系与意图，支撑下一代智能硬件的交互革命。 一、搞定智能语音不可能三角？语音基座大模型是杀手锏 语音是区别于图文、原生连续的交互方式，因其能解放眼手，并适配移动、具身场景的交互需求，成为智能座舱、AI眼镜、机器人等下一代硬件的核心交互方式。 但随之而来，这些场景也对语音交互各项指标提出更高要求，使得智能语音效果、任务的准确率/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。 这套方案的基座就是新发布的SparkAudio 1.0。该模型支持文本、语音双模态输入以及文本模态输出，可完成语音转写、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。 正如开头案例所示，音频会携带时序、说话人、环境等独有信息，因此对其进行分析时需要面临场景复杂、噪声干扰强、实时性要求高等挑战。而独立语音基座大模型的价