AI从数字世界杀进物理世界！讯飞多模态交互这次落地有点猛

你有没有发现，很多AI功能看起来很强，真正用起来却总差一步？

开会时，来不及打开软件；和外国朋友交流时，低头操作手机打断了对话；上台发言时，手里的稿子和屏幕上的提示又不够自然。

不是我们不需要AI，而是很多时候，AI离实际发生的场景还有一点距离。

在第十届科大讯飞全球1024开发者节上，科大讯飞展示了一条更贴近日常生活的路线：让AI不只待在聊天窗口里，而是进入眼镜、录音设备、办公本和汽车。

这背后，一个重要支撑是新发布的星火语音基座大模型SparkAudio 1.0。

AI要好用，先得在真实环境里听懂你

在安静的房间里说一句指令，与在展会、会议室、车内完成交互，是完全不同的挑战。

现实环境中，有背景噪声，有多人同时说话，也有语气、情绪和不断变化的表达方式。

如果AI不能准确识别谁在说、说了什么，就很难提供真正可靠的帮助。

SparkAudio 1.0将语音识别、机器翻译、语义理解等能力整合进统一底座，并进一步覆盖实时说话人分离、环境声理解、音频理解与情绪识别。据发布会介绍，通过相关技术创新，模型取得了效果提升20%、响应时间降低15%、成本下降60%的表现。

这些数字对应发布会的技术测试口径，但指向的是用户容易理解的体验：听得更清楚、回应更及时，让更多设备能够承载语音智能。

当底层能力提升，变化就不再局限于一个App，而可以同时发生在多种终端上。

35克的小设备，瞄准的是“来不及记”的瞬间

这次亮相的讯飞AI录音环，是一个很有代表性的产品。

按照发布会介绍，它重35克，可以贴在手机背后，也可以作为手机支架使用，按下按钮即可开始记录。

它瞄准的需求并不复杂：让记录这件事更顺手。对于经常开会、采访、参加培训的人来说，最难受的往往不是没有记录工具，而是重要内容已经开始，自己还在翻找应用、切换页面。

设备越容易触达，记录越可能自然发生。

发布会上还介绍了其高噪声场景下的录音转写能力，以及两小时录音约两分钟完成转写的处理表现。

与此同时，讯飞办公本已经能够将会议纪要与待办事项、跟踪系统连接起来。这意味着，AI记录的价值正在从“留下文字”，进一步走向“帮助行动”。

40克AI眼镜，让助手来到视线之内

如果说录音环解决的是随手记录，AI眼镜改变的则是信息呈现方式。

据发布会介绍，讯飞AI眼镜重量为40克，支持多模态降噪识音、多语种同传、会议纪要总结，以及基于语义理解的智能提词。

它最有吸引力的地方，不是简单地把手机功能搬到眼镜上，而是减少使用过程中的动作切换。交流时，不必频繁低头看手机；发言时，提示内容可以根据阅读进展滚动；需要记录与整理信息时，眼前的设备可以提供帮助。

这种体验，才是可穿戴AI值得期待的原因。好的智能硬件，不应该让人时刻意识到自己正在操作机器，而应该让帮助自然地出现在需要它的时刻。

发布会还提到，拍照、搜索、实时导览、骑行记录、生活支付等能力正在陆续打通。这也意味着，现阶段已经展示的能力与后续拓展方向需要区分，但产品的演进路线已经清晰：从单一功能设备，走向更贴近日常事务的助手。

汽车，也在从“听口令”走向“懂需求”

同样的变化，还发生在汽车里。

星火智慧座舱3.0重点提升多人交互、多模态交互、复杂智能体任务执行，以及车外远场识别能力。按照发布会口径，该方案已在多款车型上实现量产应用。

汽车场景的需求很典型：乘客不止一个，声音来源不止一个，用户表达也未必总是标准口令。

智能座舱要进一步好用，就需要理解更自然的交流方式，而不是要求人反复学习机器的表达规则。

从录音环到眼镜，再到办公本与汽车，科大讯飞展示的其实是同一个方向：围绕真实场景，把识别、理解与任务处理串联起来。

AI硬件的竞争，最终不会只停留在“设备里有没有大模型”。

用户真正关心的是：它是否少让我操作几次，少错过一些信息，少花一点时间。当AI开始出现在最顺手的位置，智能才真正有机会变成日常。

【免责声明】本文仅代表作者个人观点，与云财经无关。其原创性以及文中陈述文字和内容未经本站证实，云财经对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。