讯飞语音大模型支持99种语言 国产芯片训练

科大讯飞在2026全球1024开发者节上公布了从语音交互走向多模态、再走向具身多模态交互的路线图，并发布了两款核心产品：语音基础模型SparkAudio 1.0与机器人超脑平台3.0。这一消息综合自新浪科技、IT之家的现场报道以及讯飞官方发布的刘庆峰主题演讲实录。

根据讯飞发布的技术报告，SparkAudio 1.0将机器翻译、语音识别与语义理解整合进同一个基座模型，让三类任务互相促进。模型采用0.65B参数的稠密音频编码器搭配30B-A3B混合专家语言模型，基于1300万小时音频加大量文本语料训练，支持99种语言、202种方言的语音识别，训练算力来自华为昇腾910B、海光BW1000等国产芯片。

刘庆峰在演讲中点名三项技术改进：半监督音频解码器使识别准确率提升约两成、动态分段端到端建模将响应时间缩短一成半、双范式协同解码把成本降低六成。需要说明的是，这些数字均为讯飞官方口径，尚未经第三方独立验证；技术报告也承认，模型在指令遵循和复杂音频推理上仍有短板。

讯飞给出的落地场景颇为具体：在嘈杂街头，模型要能分辨喇叭声、小贩叫卖和轮胎噪音，把交叠的人声分开，还能从声音反推周围环境。目前SparkAudio 1.0已用于讯飞输入法16.0、讯飞听见、办公本和翻译机等产品。现场还展示了一枚磁吸在手机背面的AI录音戒指，可将两小时录音在两分钟内转写完成。

面向机器人，讯飞发布了Spark具身多模态交互技术，重点解决复杂空间中的动态降噪、多人在场时判断谁在对机器人说话，以及语音与动作的协同规划——比如一边说再见一边挥手，或在摄像头看到相关物体时主动开启对话。机器人超脑平台3.0则把超脑板卡、多模态交互模块、具身智能开发套件打包成硬件方案，软件侧的具身多模态交互框架负责端云协同，让机器人一边执行任务一边继续对话。讯飞在现场以一家24小时无人值守机器人商店演示了整套平台的运行。

编译自 Pandaily，原标题："iFLYTEK Details SparkAudio 1.0 Speech Foundation Model and Launches Robot Super Brain Platform 3.0"