从语音交互到具身多模交互 科大讯飞发布机器人超脑平台V3.0

机器人要在嘈杂的车间里听清一句指令，在好几个人同时说话时认准该回应谁，还要把听懂的意图变成连贯的动作——这是人机交互从屏幕走向物理世界必须跨过的一道坎。10月22日举行的2026科大讯飞全球1024开发者节主论坛上，星火语音大模型SparkAudio1.0、多模交互技术、星火具身多模交互技术依次亮相，科大讯飞董事长刘庆峰把这条演进路径概括为“语音交互—多模交互—具身多模交互”的三级台阶。

高噪声环境下的识别一直是语音技术的硬骨头，在此之上的复杂音频感知、多人语音分析更难。SparkAudio1.0针对的正是这些场景：它不只判断“说了什么”，还能分辨喇叭声、叫卖声、车轮摩擦地面的声音，在交织的人声里拆出几个说话人，从声音线索推理出周围发生了什么。用刘庆峰的话说，这套能力像刑侦剧里的“声音侦探”。

支撑这种能力的是半监督音频编码器、动态分段端到端建模、双范式协同解码三项技术创新。公开测试显示，其整体效果提升20%，响应时间下降15%，成本下降60%——成本降幅对需要大规模铺开的语音服务尤其关键，直接决定了它能不能装进每一个工位、每一家门店。

这套模型已经在讯飞自家产品上跑起来，输入法16.0、讯飞听见、智能办公本都能体验到。同场还发布了一款AI录音环，像手机支架一样磁吸在手机背面，2小时录音2分钟出转写稿，综合识别准确率超过96%。对经常泡在车间、工地、客户现场的管理者来说，这类硬件的意义在于把“记录”这个动作从纸笔和键盘上彻底解绑。

从语音走向多模，AI不仅要能听会说，还要把看到的信息与听到的信息对上号。新发布的多模交互技术融合了多模远场识别、多人交互、视听觉融合理解、个性化记忆与情感语义。现场演示的讯飞AI眼镜重量约40克，用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，还能做智能提词、声图文纪要、拍照搜索、实时导览。

汽车场景更考验远场拾音与抗噪。星火智慧座舱3.0提供超过100项多模感知能力，多模感知成功率超过95%，模糊理解准确率超过93%，车外远场交互距离达到30米。主持人华少以“47秒念完350字”的语速一口气说出一段到陌生城市办事、接待的需求，系统当场给出路线、店铺与餐厅安排——交互的评判标准已经从“听懂句子”变成“把事办成”。

真正把交互推进物理世界的是具身多模交互技术。机器人不能只会走、会干活，还要在距离与噪声不断变化的空间里听清指令、理解多人意图，并让语音与动作对齐。科大讯飞这次在四个方向取得突破：复杂空间的动态降噪、多目标人的交互意图识别、语音与动作的统一规划执行、视觉触发的主动交互。主会现场搭起了机器人超市与机器人物流驿站，在嘈杂、多人围观的环境下，机器人完成了取货、递送、答疑等整套任务。

与之配套的是机器人超脑平台V3.0，整合星火超脑板、具身智能开发套件、多模态交互模组以及具身多模交互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。这意味着做场景集成的不必从零搭语音栈，把套件接上自己的业务系统就能形成产品。

同场发布的还有端云一体的讯飞星火X2.6及系列产品、讯飞星帆WinWork数字员工平台、科大讯飞AIPC，以及面向智能硬件和企业应用开发者的技术方案，星辰TaaS平台则把交付形态从“卖Token”推向“给方案”。一圈产品看下来，落点都在同一件事上：把AI从演示厅搬进具体岗位。

对制造与商贸企业来说，这类技术最先改变的是数据入口。过去车间的领料、报工、质检记录靠手写单据再回办公室录入，一张单子在两套系统里各录一遍是常态；语音与多模态成熟之后，工人对着终端把工序、数量、异常口述一遍即可自动成单，WMS拣货可以用语音双向确认，质检员边看边说的判语能直接落成结构化字段。数据在源头就完成采集，ERP里的成本核算、MES里的工序进度、WMS里的库存批次才谈得上实时。

这也是滁州金蝶服务本地制造企业时反复强调的一点：系统上线只是起点，能不能把一线操作的门槛降下来，决定了数据质量。金蝶云星空、云星辰的移动报工与语音录入，配合用友BIP的多组织协同、畅捷通好会计的票据识别、管家婆的进销存，本质上都在争夺同一个入口——谁让工人少填一张表，谁的数据就更真。而在车间物流、厂区配送与洁净保洁这些环节，滁州工业机器人与普渡机器人的商用落地，也在等一套“能听、能看、能办事”的交互底座。安徽企业数字化转型走到今天，拼的不再是买没买软件，而是软件能不能长在业务流程上。