中國AI語音競賽升溫 科大訊飛推出SparkAudio 1.0

中國人工智慧公司科大訊飛於週四的年度1024開發者節上發布SparkAudio 1.0，該公司稱其為語音技術堆疊的首個基礎模組。此模型將機器翻譯、語音辨識與語意理解整合進單一系統，而非為每項任務拼湊獨立工具。

在以電影剪輯為基礎的演示中，該模型能區分人聲與背景音、辨識說話者性別，並對場景做出準確判斷。科大訊飛表示，該系統可處理即時說話者分離、環境理解、音訊理解與情緒辨識。對全球讀者而言，其賣點很直接：一個能邊聽、邊解析、邊翻譯對話的單一模型，這對目前依賴多個互不相通引擎的客服中心、即時字幕、跨境會議與語音助理至關重要。

語音發布的同時，Spark X2.6也一併推出。這是一款端雲大型模型，採用2930億參數的混合專家架構，活躍參數300億，上下文視窗達100萬個token。科大訊飛稱此次升級聚焦程式編寫與代理能力，且模型完全以國產運算硬體訓練。該公司還推出一個開源裝置端模型，旨在讓AI在手機及其他裝置上本地運行。

更廣泛的背景是中國AI助理與語音介面市場競爭激烈。Anthropic的Claude Duet是一款獨立手機應用程式，可監看電子郵件與行事曆，並在用戶批准下下單，已成為西方個人代理的矚目範例。中國開發者正競相打造類似產品，而語音對他們而言是最自然的介面之一，因為在手機上打字仍然緩慢，許多用戶早已透過說話與裝置互動。

SparkAudio 1.0對情緒與環境理解的重視，指向競爭的未來走向。辨識說了什麼已不再足夠；系統的評判標準在於能否判斷誰在說話、他們感受如何，以及周圍發生什麼事。這正是人形機器人研究人員在實體AI旗幟下追求的能力組合，機器必須在嘈雜的現實環境中解讀口語指令。

科大訊飛關於以國產晶片訓練的說法，也符合中國AI產業更廣泛的模式，即企業正努力減少對外國硬體的依賴。該公司未披露詳細的基準比較，SparkAudio 1.0的獨立評估也尚未出現。該模型在嘈雜客服中心、地方口音與混合語言對話中的實際表現，將決定這種整合方案能否兌現承諾。

明確的是速度。在一場開發者活動中，科大訊飛宣布了語音基礎模型、大型語言模型重大升級與開源邊緣模型，顯示中國AI企業正於整個技術堆疊推出產品，而非只專注單一旗艦。對開發者而言，問題在於這些拼圖是否足夠契合以在其上構建。對用戶而言，考驗更為安靜：另一端的語音助理是否終於聽起來像聽得懂。