AI进入物理世界，不仅要听清、看懂，还要在动态环境中理解意图、协调行动。科大讯飞沿着“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。

　　首先是让AI不仅“听清说了什么”，更能“听懂发生了什么”。此次发布的星火语音基座大模型SparkAudio 1.0，全面提升语音识别、同传和交互能力，并拓展音频理解、情绪识别、实时说话人分离和环境声理解能力。现场，模型仅凭一段电影音频，就能分析人物对话、背景音乐和车辆等声音，推断所在场景，展示了对复杂声音信息的综合理解能力。

　　通过半监督音频编码器、动态分段端到端建模、双范式协同解码三项技术创新，SparkAudio 1.0整体效果提升20%、响应时间降低15%、成本降低60%，已在讯飞办公本、讯飞输入法16.0、讯飞翻译机、讯飞听见等产品全系上线。现场首发的讯飞AI录音环支持说话人实时识别，综合识别准确率超96%，2小时录音转写仅需2分钟。

　　从理解声音到理解场景，还需要将听觉、视觉与上下文关联起来。科大讯飞发布全新多模态交互技术，进一步融合多模远场识别、多人交互、视听觉理解、个性化记忆和情感语义，让AI更准确地理解需求并调用工具办事。

　　现场，讯飞AI眼镜产品负责人林会杰登台，展示了用眼镜生成的刘庆峰演讲声图文纪要，并与西班牙语、英语使用者各用母语交流，由眼镜实时翻译。他还通过语音点咖啡、联动电脑处理办公任务，展示了眼镜从信息记录、跨语言沟通到跨端办事等系列能力。