从“听清”到“看懂”再到“行动”，科大讯飞让AI走进真实世界

导读：从“语音交互”到“多模交互”，再到“具身多模交互”。每一步都不是简单叠加，而是在真实世界里补上一块此前缺失的能力。

作者| 小趣姐 编辑 | 顾适

如果AI只在安静房间里答题，它很聪明；但如果它走进嘈杂街头、多人餐桌、车流不息的座舱和人声鼎沸的超市，它还能不能听清、看懂、动起来？这才是AI从数字世界走向物理世界时，真正要跨过的门槛。

10月22日，在2026科大讯飞全球1024开发者节上，科大讯飞发布了星火语音大模型SparkAudio 1.0、多模交互技术、星火具身多模交互技术及相关产品。没有只停留在“模型更强了”的参数叙事，而是把一条路径摆了出来：先让AI在真实噪声里“听清”，再让它在复杂场景中“看懂”，最后让机器人把语音、视觉和动作协调起来，“动起来”。

刘庆峰说：“大家千呼万唤，期待机器人从运动会、表演舞台走向日常生活、走进千家万户。”

“听得清”，复杂音频感知

语音交互听起来不新鲜，但真正难的不是在安静房间里识别一句话，而是在高噪环境下依然保持准确。这是行业公认的难点；在此之上的复杂音频感知和多人语音分析，更是进阶能力。科大讯飞此次发布的SparkAudio 1.0，瞄准的正是这块“硬骨头”。

SparkAudio 1.0带来了语音识别、同传与交互，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的全面提升。更直观地说，它有点像刑侦剧里的“声音侦探”：即使置身嘈杂街头，也能辨别喇叭声、叫卖声、车轮摩擦地面的声音，分清交织在一起的人声，并从声音线索中推理周围环境。它不只是“听清说了什么”，更是“听懂发生了什么”。

背后靠的是三项技术创新，半监督音频编码器、动态分段端到端建模、双范式协同解码，名字不必记，记住三个数字就行：整体效果提升20%、响应时间降低15%、成本降低60%。

前两个数字关乎体验——听得更准、反应更快；第三个数字关乎商业逻辑——成本降下来，语音能力就不再是大客户专属，而是可以规模化铺向更多产品和场景。一项技术能不能走出实验室，很多时候不只看它有多先进，也看它有多便宜。

SparkAudio 1.0已经在讯飞产品中上线，讯飞输入法16.0、讯飞听见、讯飞智能办公本等产品都能体验。现场还发布了讯飞AI录音环，可像手机支架一样磁吸贴在手机背面，随时开启录音，2小时录音转写仅需2分钟，综合识别准确率超96%。

语音能力正在从软件功能变成随身硬件，从“打开App用一下”变成“贴在身上随时用”。交互的入口在变，背后是对拾音、降噪、转写全链条能力的考验。

“看得懂”，AI还要让听和看对上

但问题随之而来：听见，不等于理解。

如果AI只靠耳朵，它可能听到你在说话，却不知道你在对谁说、在看什么、真正想办什么事。多模交互要解决的，就是“听和看对不上”的问题。AI不仅要能听会说，还要结合视觉信息理解场景，把不同来源的信息准确对应起来。

此次发布的多模交互技术，融合了远场识别、多人交流、视听结合、个性化记忆和情绪理解等能力，让AI理解更丰富的场景信息。

讯飞AI眼镜是这项技术最典型的落地产品。科大讯飞穿戴业务事业部总经理林会杰现场展示了一副刚用来记录刘庆峰演讲过程的眼镜纪要，内容层次清晰、图文并茂。

随后，他与西班牙语、英语使用者分别用各自母语交流，由眼镜实时翻译；还通过眼镜为同台嘉宾点咖啡，并联动电脑端处理办公任务，呈现了辅助记录、沟通和办事三类场景。

这副眼镜重约40克，通过5麦阵列、骨传导与唇动识别协同改善复杂环境拾音，支持120余种语言翻译，同传首响低至2秒。它还有智能提词、声图文纪要、多语种翻译、拍照搜索、实时导览、骑行记录等功能。

汽车场景更考验远场拾音与抗噪能力。以“47秒念完350字”语速著称的主持人华少现场体验了星火智慧座舱3.0，一口气说出一长段初次到一座城市的办事和接待需求。座舱不仅立刻理解、安排了最优路线，还顺带推荐店铺、预定餐厅。

星火智慧座舱3.0提供超100项多模感知能力，多模感知成功率超95%，模糊理解准确率超93%，车外远场交互距离达30米，远超行业平均水平。换言之，车不只是在等你下指令，而是在嘈杂环境里主动听懂你要办什么事。

多模交互的价值，不在于把语音、视觉、触控简单叠加，而在于让AI在真实场景里做“信息对齐”：听到的、看到的、你想要的，能对上。

“动得了”，具身交互把AI拽进物理世界

能理解，还不等于能行动。

“人机交互历来是牵引着产业革命的。”刘庆峰说。机器人不仅要具备行动能力，更要能在行动中与人自然交流：在距离和噪声不断变化的环境里听清指令、理解多人意图，并协调语音与动作。从智能终端走向移动机器人，交互要适应空间变化、多人参与和动作执行——这是另一个量级的挑战。

科大讯飞此次发布的星火具身多模交互技术，在复杂空间动态降噪、多目标人的交互意图识别、语音与动作统一规划与执行、视觉触发的主动交互等方面取得突破。

现场，科大讯飞展示了机器人超市和机器人物流驿站。在现场嘈杂、多人围观的情况下，机器人都准确完成了任务。“嘈杂、多人围观”恰恰是家庭和社会服务场景的常态，机器人能不能在真实噪声里找准该回应的人，决定了它能不能从运动会和表演舞台走进日常生活。

配套发布的机器人超脑平台V3.0，把星火超脑板、具身智能开发套件、多模态交互模组及具身多模交互Harness等能力整合起来，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。

更直白地说，这套平台想做的是机器人的“大脑底座”：前台负责和人自然交流，后台负责把事办成，开发者不用从零搭一套交互系统。端云协同和前后台协同这两个词，指向的是同一个现实约束——机器人不能把所有计算都扛在身上，也不能把所有任务都推给云端，必须在响应速度和办事能力之间找平衡。

从“听清”到“看懂”再到“行动”，科大讯飞正在把AI从安静房间里的答题者，变成真实世界里的参与者。这条路径并不轻松：先解决噪声中的准确识别，再解决视听信息对齐，最后解决动态环境中的意图理解与动作协同。每一步都有转折，每一步也都需要软硬一体、端云协同的长期投入。

“一代人有一代人的长征，人工智能是一场凝心聚力的长跑。”刘庆峰说，科大讯飞将持续以国产AI创造社会价值，解放生产力、释放想象力，用人工智能建设美好世界。