10 月 22 日，科大讯飞 1024 开发者节在北京开幕。会上发布的新品不少，但最值得办公人群关注的，是星火语音基座大模型 SparkAudio 1.0。

这是一个语音基础底座模型：把语音识别、同声传译、情绪感知与实时说话人分离做进同一个模型，支持中英自由切换，全流程在国产算力基础设施上训练。官方给出的实测数据是：效果提升 20%、响应时延降低 15%、调用成本下降 60%。10 月 24 日起，它随系统更新推送至讯飞办公本 X5 与 Air3，用户升级后即可体验。

为什么“对得上人”比“听得清”更难？

过去几年，AI 硬件发布会比拼的多是“听清”：同样的声音，能不能一字不差地转成文字。可真实会议的难处很少在听清。同一句“这个方案我不赞成”，出自决策层与出自执行层，分量完全不同；抢话的十几秒里，往往藏着最关键的分歧。会议记录过去只解决两件事：把声音留下来，把声音变成字。SparkAudio 1.0 要往前再走一步：归属。

具体来说，它在三个地方把记录往前推了一截：

第一，边开边认人，不用会前准备。过去要让设备认人，得提前把参会者挨个叫过来对着机器说一段话；十几个人的会，光这一项就要占掉不少时间，临时加座、中途进来的人往往就漏掉了。现在顺序倒过来：录音转写时先把声音分开，标成“说话人 1”“说话人 2”，点开其中一个把名字写上去，就相当于完成一次声纹注册；之后他再开口，记录里出现的就是名字，不再是编号。名字记一次就够，下一场他推门进来，设备认的还是这个名字。

第二，抢话也能按人拆开。真实会议不是轮流发言，两个人同时开口、一个人没说完另一个就接上，都是常态。普通转写遇到这种片段，会把两路声音糊成一段连续文本，事后谁也分不清哪半句是谁的；有的干脆把重叠的那几秒丢掉，记录上留一个空白。SparkAudio 1.0 的做法是先判断有几路声音、各自是谁，再分别归位：谁先起的话、谁接的、哪半句是插进来的，都能落到对的人头上。这一条决定的不是准确率，而是一份记录散会后能不能直接用。

第三，术语认得准，还能越用越准。中英文夹着说、行业术语直接念，是专业会议的常态；财务评审里“商誉减值”若被记成“商业减资”，这句话就失去了原来的意思。解决办法是术语可提前准备、也可边用边学：会前把常被念错的词手写一遍，当前页面的识别结果会重新处理一次；术语支持批量导入，不必逐个添加；记过的词留得住，下一场仍在候选里。术语与说话人一起归入设备“记住的信息”，识别时作为上下文调用。

同场发布的还有星火 X2.6：上下文窗口扩容至百万 Tokens，并同步开源星火 X2.6-4B 端侧模型；端云一体协同架构把端云路由准确率从 81.2% 提升至 96.1%。讯飞开放平台还首次发布了智能体协同平台 Agent OS，以及面向 Agent 生态的开发工作台。目前讯飞开放平台开发者规模已达 1187 万。

要点解读：

• 语音 AI 的衡量标准正在换一把尺子：从“转写准确率”转向“记录可用性”。一份散会后不用回听、不用逐句改错字、不用猜“说话人 3”是谁的记录，才是办公场景真正能交付的成果。
• 会议记录是一种可以被引用、被质疑、被追责的材料，标准不会因为换成机器而降低，反而更严。说话人分离、术语记忆这些能力，本质上是在补“可追溯性”这一环。
• 对使用者来说，变化直接体现在动作上：过去散会后要花半小时整理，现在打开就是成稿；过去归档前要人工核对署名，现在署名在记录生成的那一刻就已经在了。

一句话观点：当语音模型开始分得清“谁说的”，AI 办公才算从“记录工具”变成了“证据工具”——而这正是它能进正式场合的前提。