在数字人这条产业链上，被讨论最多的永远是脸：皮肤质感、口型对齐、微表情。但真正决定一段实时对话能不能成立的，往往是另一件事：机器有没有听清，并且听懂。科大讯飞在1024开发者节发布的星火语音基座大模型SparkAudio 1.0，攻的正是这一环，官方给出的三个数字是效果提升20%、响应时间降低15%、使用成本降低60%。
安静环境下的语音转写，几年前就已经做得不错。难的是真实场景：街头有喇叭声、叫卖声、车轮摩擦地面的声音，几个人同时说话，还有回声与风噪。这种条件下，只把声音转成文字是不够的，机器人或数字人还需要知道谁在说、说话人离多远、环境里发生了什么。
SparkAudio 1.0把能力范围从转写扩到了音频理解、情绪识别、实时说话人分离和环境声理解。官方举的例子很具体：即使置身嘈杂街头，模型也能分辨喇叭、叫卖与轮胎摩擦声，分清交织的人声，从声音线索里推断周围环境。从"听清说了什么"到"听懂发生了什么"，这句总结说的就是感知层从文字向场景的迁移。
为什么这一步对数字人特别重要，可以用一个具体场景说明。直播间里，主播说话时背景有音乐、有顾客问价、有收银机的提示音。如果系统只能转写人声，它听到的是一堆断句混乱的文字；如果能区分声源，它就知道哪一句是主播、哪一句是顾客、哪一声只是提示音。前者只能做字幕，后者才谈得上接话。这中间的差别不在识别准确率，而在是否具备声场的结构化理解。
讯飞把路线写成语音交互、多模交互、具身多模交互三级，顺序值得琢磨。语音在最底层，因为它是最低带宽、最不依赖视线的通道；多模在中间，要解决视听信息的对齐；具身在最上层，要求模型在动态环境里边感知边行动。三级不是并列的功能清单，而是依赖关系，下一级的稳定性决定上一级能不能成立。
支撑这轮提升的是三项自研组件。半监督音频编码器解决的是标注数据不够的问题，用少量标注加大量无标注音频训练表征，强化模型对声音本身的建模能力；动态分段端到端建模针对的是长音频处理，不再按固定窗口切分，而是让模型自己判断语义边界；双范式协同解码则把两类解码策略放在一起，兼顾准确率与延迟。
三个数字之间的关系值得注意。效果涨20%是质量维度，响应降15%是延迟维度，成本降60%是工程维度。这三者过去是互相拉扯的：要更准就上更大的模型，延迟和成本跟着涨。成本降六成意味着同样的语音服务可以用更少的算力跑起来，对需要长时在线的数字人来说，这一项比分数的提升更能决定能不能商用。
60%这个降幅还牵动另一件事：并发。语音服务的成本结构里，单次推理的算力与同时服务的路数共同决定单位成本。成本降六成，等于同样预算能多撑一倍以上的并发，这对客服、导览、直播这类高峰期集中的场景意义重大。过去很多数字人项目卡在高峰期限流，技术原因不是模型不行，而是账单撑不住。
响应时间降15%听起来不多，但语音交互的容忍阈值很窄。人类对话中的轮转间隔通常在几百毫秒量级，超过一秒就会感到迟疑，超过两秒就会被认为卡顿。在这个区间里压缩15%，往往就是从"像在等机器"变成"像在跟人说话"的分界。这也是为什么语音赛道的优化从不追求翻倍，而是抠每一个百分点。
讯飞给出的落地路径是分层：先做一个通用语音基座，用人声、环境声、时序关联、说话人关系这些通用音频表征做统一预训练；基座之上再挂语音识别、语音同传、实时语音交互等专用任务模型，针对具体任务做极致调优，平衡效果、精度、时延与工程成本。同传的MOS评分从4.4升到4.6，就是这条路径的直接产出。
这个思路和纯端到端的大一统模型相反。大一统的好处是架构干净，坏处是每个场景都要为全局能力付出算力。分层的好处是可以按场景裁剪，代价是要维护多套模型与它们之间的一致性。在语音这种对延迟极敏感的场景里，分层目前更经济。
分层的代价是工程复杂度。基座升级一次，上面挂的所有专用模型都要重新对齐特征分布，否则精度会掉。这意味着团队要维护一套版本矩阵，记录哪个专用模型配哪一版基座，还要为老客户保留旧组合。这种做法在云服务里很常见，落到语音这种对稳定性要求极高的场景，几乎是必须付的成本。
从竞争格局看，分层路线也让后来者更难追赶。基座需要大量无标注音频与长期预训练，专用模型需要真实场景的错误样本，两块都是时间堆出来的资产，不是靠一次架构创新就能反超。这也解释了为什么语音赛道多年没有出现颠覆式的黑马，头部公司的优势更多体现在数据回路而不是模型结构上。
已经落地的产品能说明这套能力的位置。讯飞输入法16.0、讯飞听见、讯飞智能办公本上线了SparkAudio 1.0；新发布的AI录音环重35克，可磁吸在手机背面，两小时录音约十秒传至手机，综合识别准确率超96%；讯飞AI眼镜重约40克，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，在主持人47秒念完350字的语速下完成了连续指令。
这些产品的共同点是都在物理世界里使用。数字人在直播间、机器人在门店、眼镜在通勤路上，环境噪声与多人说话是常态，而不是例外。过去这类场景的常见做法是外接降噪或让用户重复一遍，体验断裂就在这里。多模感知与具身多模交互被讯飞排成三个连续阶段，语音是第一阶段，也是后面视觉与动作融合的地基。
还有一层行业含义。语音基座的价值不在榜单分数，而在它把交互的容错空间撑大了。同样一句含混的指令，模型听对的概率高一点，产品就能少一次"抱歉我没听清"。这种体验差异很难被参数表体现，却是数字人从演示品变成日常工具的关键一步。当语音这一端足够稳，讨论焦点才有资格回到脸和表情上。
对做数字人的团队来说，还有一笔账要算清楚：自建语音链路的成本远高于外采。语音涉及前端降噪、端点检测、声学模型、语言模型、声码器五个环节，每个环节都有专门的调参经验。除非业务本身就以语音为核心，否则更现实的做法是接成熟的基座API，把资源放在形象与业务逻辑上。