科大讯飞发布SparkAudio与具身多模交互技术：AI“听觉”进入动态噪声大考，声学测试环境成新赛点

10月22日，在2026科大讯飞全球1024开发者节主论坛上，董事长刘庆峰发布星火语音大模型SparkAudio 1.0、多模交互技术以及星火具身多模交互技术，并直言“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”。仅一周前的10月13日，阿里千问也发布了新一代AI眼镜N1/N1 Pro与AI耳夹式耳机，把AI穿戴定义为“Personal Agent在物理世界的延伸”。两场发布会指向同一个趋势：AI的“听觉”正在从“听清一句话”升级为“听懂一个场景”。

从“听清”到“听懂发生了什么”

SparkAudio 1.0带来的不只是识别准确率的提升，更是能力边界的拓展：在嘈杂街头辨别喇叭声、叫卖声与车轮摩擦地面的声音，分清交织的人声，从声音线索中推理周围环境——不仅“听清说了什么”，更能“听懂发生了什么”。据官方披露，这套体系背后是半监督音频编码器、动态分段端到端建模、双范式协同解码等技术创新，整体效果提升20%、响应时间降低15%、成本降低60%。

这套能力已经在终端产品上落地。讯飞AI眼镜以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；星火智慧座舱3.0提供超100项多模感知能力，车外远场交互距离达30米。而在具身机器人侧，星火具身多模交互技术在复杂空间动态降噪、多目标人交互意图识别、语音与动作统一规划执行等方向取得突破，让机器人在动态、嘈杂、多人围观的环境中也能准确完成任务，并配套发布机器人超脑平台V3.0。

标准与量产：让“听觉”接受统一考试

技术突破之外，规则也在加速落地。8月24日，工业和信息化部就《国家人形机器人产业标准体系建设指南（2026版）》（征求意见稿）公开征求意见，提出到2028年的建设目标。政策信号很明确：人形机器人正从“运动会、表演舞台”走向“量产与走进千家万户”，而一旦进入量产，产品的一致性、可靠性与可验收性就必须依赖标准化测试环境。对声学而言，这意味着“听清、听懂”不再是演示视频里的高光时刻，而是要在受控、可复现的环境中逐项验证的硬指标。

动态噪声，正在把声学测试的“考场”变大

过去，语音交互测试大多发生在相对稳定的听音室环境中；今天，AI要面对的是动态变化的真实场景——空间变化、多人参与、动作执行、环境声混杂。传统的“平均混响时间”和“静态背景噪声”指标，已经不足以描述这类场景。可调混响听音室、多模态声学实验室，以及集成风洞、水系统、高低温、运动轨道、电磁屏蔽等多元工况的测试环境，正从“可选项”变成“必选项”。声学测试环境的考场，正在从“一间安静的房间”扩展为“可复现真实世界的一整套工况”。

列星：为“动态考场”准备的解决方案

在列星看来，声学测试环境的价值正在从“研发验证工具”升级为“产品进入市场前的一道统一考场”。2025年，列星一次性交付科大讯飞7间覆盖不同场景的专业声学实验室，形成针对复杂多场景语音交互测试的实验室集群；同年交付的华勤技术3dB(A)超低本底噪声全消声室，刷新了国内消费电子声学实验室的噪声本底高度；交付小米汽车的AI全场景多媒体实验室，则以国内首例全自动智能化混响时间可调听音室，伴随SU7上市同步建成智能座舱声学验证平台。面向具身智能带来的动态噪声测试需求，列星的多模态声学实验室、机器人交互室、车载语音实验室与可变混响听音室等解决方案，正是为这类“动态考场”而设计。

当AI从数字世界走向物理世界，从“听懂一句话”走向“听懂一个场景”，声学测试环境就不再只是实验室里的一间房，而是决定一款AI硬件能否通过标准、走向量产的“基础设施”。列星将持续以专业的声学实验室设计、制造与工程实施能力，为AI听觉时代的每一只“耳朵”提供可复现、可验收的测试环境。

参考来源

深圳湾：《从语音交互到多模交互再到具身多模交互，科大讯飞定义人机交互三阶段》，2026-10-23，https://www.shenzhenware.com/articles/16935

第一财经 / 21经济网：《阿里千问发布新一代AI眼镜、AI耳机，AI硬件加入智能体竞争下半场》，2026-10-13，https://www.21jingji.com/article/20261013/herald/8fbbb9d99a27d96fb1c63400638ab060.html

新华社 / 工业和信息化部：《国家人形机器人产业标准体系建设指南（2026版）》（征求意见稿），2026-08-24，https://www.news.cn/20260824/a2ef1c28985e4fbda966e51036418060/c.html