คำตอบเผยแพร่แล้ว19 แหล่งที่มา
จากฟังเสียงให้เข้าใจ ไปสู่หุ่นยนต์ที่โต้ตอบกับโลกจริง: แผน AI ของ iFLYTEK
ในงาน Global 1024 Developer Festival 2026 iFLYTEK วางแนวทางพัฒนาจากการโต้ตอบด้วยเสียง ไปสู่การโต้ตอบหลายรูปแบบ และต่อยอดสู่หุ่นยนต์ที่มีปฏิสัมพันธ์กับโลกจริง โดยมี SparkAudio 1.0 เป็นแกนด้านเสียง ตัวเลขสถาปัตยกรรม เช่น ตัวเข้ารหัสเสียง 0.65 พันล้านพารามิเตอร์ โมเดล MoE 30B A3B และการรองรับ 99 ภาษา 202 สำเนียง มาจากร...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- ในงาน Global 1024 Developer Festival 2026 iFLYTEK วางแนวทางพัฒนาจากการโต้ตอบด้วยเสียง ไปสู่การโต้ตอบหลายรูปแบบ และต่อยอดสู่หุ่นยนต์ที่มีปฏิสัมพันธ์กับโลกจริง โดยมี SparkAudio 1.0 เป็นแกนด้านเสียง
- ตัวเลขสถาปัตยกรรม เช่น ตัวเข้ารหัสเสียง 0.65 พันล้านพารามิเตอร์ โมเดล MoE 30B A3B และการรองรับ 99 ภาษา 202 สำเนียง มาจากรายงาน Spark Audio 1.0 Preview ก่อนหน้า ไม่ใช่ข้อกำหนดยืนยันของรุ่นที่เปิดตัวในงาน
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What did iFLYTEK announce at its 2026 Global 1024 Developer Festival about its progression from voice to multimodal and embodied robot inter. Article summary: iFLYTEK announced a progression from voice interaction to multimodal interaction and then embodied multimodal interaction for robots, combining software and hardware rather than treating speech as an isolated feature.[4]. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
ในงาน Global 1024 Developer Festival 2026 iFLYTEK นำเสนอแผนพัฒนาปฏิสัมพันธ์ระหว่างคนกับเครื่องจักรเป็นลำดับ จากเสียง ไปสู่การโต้ตอบหลายรูปแบบ และต่อไปสู่การนำความสามารถเหล่านั้นไปอยู่ในหุ่นยนต์ โดย SparkAudio 1.0 เป็นแกนของงานด้านเสียง ส่วนบริษัทก็ประกาศเทคโนโลยีปฏิสัมพันธ์หลายรูปแบบแบบมีร่างกายและ Robot Super Brain Platform 3.0 ด้วย อย่างไรก็ตาม ข้อมูลเกี่ยวกับความสามารถด้านเสียงมีรายละเอียดมากกว่าการใช้งานแพลตฟอร์มหุ่นยนต์อย่างชัดเจน 18
24
SparkAudio 1.0 ตั้งใจให้ AI เข้าใจเสียง ไม่ใช่แค่ถอดคำพูด
iFLYTEK ระบุว่า SparkAudio 1.0 รวมการแปลภาษา การรู้จำเสียงพูด และการทำความเข้าใจความหมายไว้ในโมเดลเดียว ความสามารถที่ประกาศยังรวมถึงการแปลพร้อมกันและการโต้ตอบด้วยเสียง ตลอดจนการแยกเสียงผู้พูดแบบเรียลไทม์ การเข้าใจเสียงและเสียงแวดล้อม และการรับรู้อารมณ์ 18
21
ตัวอย่างที่บริษัทเรียกว่า “นักสืบเสียง” ช่วยให้เห็นภาพเป้าหมายของโมเดล: ในถนนที่มีเสียงจอแจ ระบบควรแยกเสียงคนที่พูดทับกัน พร้อมจำแนกเสียงอย่างแตรรถ เสียงพ่อค้าแม่ค้า และยานพาหนะ ก่อนใช้เบาะแสจากเสียงเหล่านั้นตีความสภาพแวดล้อมรอบตัว นี่เป็นคำอธิบายความสามารถจากบริษัท ไม่ใช่ผลทดสอบประสิทธิภาพที่มีการตรวจสอบโดยอิสระ 18
ตัวเลขจากรุ่น Preview ควรอ่านพร้อมข้อแม้
รายงานก่อนหน้านี้เกี่ยวกับ Spark-Audio-1.0-Preview ระบุว่าโมเดลใช้ตัวเข้ารหัสเสียงแบบ Dense ขนาด 0.65 พันล้านพารามิเตอร์ ทำงานร่วมกับโมเดลภาษาแบบ Mixture of Experts หรือ MoE ขนาด 30B-A3B รายงานยังระบุว่าฝึกด้วยข้อมูลเสียง 13 ล้านชั่วโมงและข้อมูลข้อความจำนวนมาก พร้อมรองรับ 99 ภาษาและ 202 สำเนียง ตัวเลขเหล่านี้เป็นข้อมูลของรุ่น Preview และรายงานที่มีอยู่ไม่ได้ยืนยันว่ารายละเอียดทุกข้อยังเหมือนเดิมใน SparkAudio 1.0 ที่เปิดตัวในงาน 6
34
รายงานรุ่น Preview ระบุด้วยว่าโมเดลฝึกบนทรัพยากรประมวลผลภายในประเทศจีน แหล่งข่าวหนึ่งระบุชิป Huawei Ascend 910B และ Hygon BW1000 โดยเฉพาะ แต่รายละเอียดฮาร์ดแวร์นี้ไม่มีแหล่งข่าว Preview อื่นที่อ้างถึงมายืนยันตรงกัน 6
34
42
ตัวเลขที่บริษัทเปิดเผยยังขาดรายละเอียดวิธีวัด
รายงานการเปิดตัวระบุว่า SparkAudio 1.0 ใช้แนวทางทางเทคนิคสามด้าน ได้แก่ การทำโมเดลเสียงแบบกึ่งมีผู้สอน การสร้างโมเดลแบบ end-to-end ที่แบ่งเสียงแบบไดนามิก และการถอดรหัสร่วมกันสองแนวทาง iFLYTEK รายงานว่าประสิทธิภาพโดยรวมดีขึ้น 20% เวลาตอบสนองลดลง 15% และต้นทุนลดลง 60% 17
27
ตัวเลขเหล่านี้ควรเข้าใจว่าเป็นผลที่บริษัทเปิดเผย รายงานการเปิดตัวที่อ้างถึงไม่ได้ให้รายละเอียดมากพอเกี่ยวกับค่าฐานที่ใช้เปรียบเทียบหรือวิธีประเมิน จึงไม่ควรตีความคำว่า “ประสิทธิภาพโดยรวม” ว่าหมายถึงความแม่นยำเพิ่มขึ้นในสัดส่วนที่เจาะจง หรือเป็นผลที่ผ่านการตรวจสอบโดยอิสระแล้ว 18
17
ลงผลิตภัณฑ์แล้ว พร้อมอุปกรณ์บันทึกเสียง AI
มีรายงานว่า SparkAudio 1.0 ถูกนำไปใช้ใน iFLYTEK Input Method 16.0, iFLYTEK Hearing, สมุดบันทึกสำนักงานอัจฉริยะ และอุปกรณ์แปลภาษาของบริษัท 18
25
บริษัทยังเปิดตัว AI recording ring อุปกรณ์บันทึกเสียงที่ยึดติดด้านหลังโทรศัพท์ด้วยแม่เหล็ก รายงานการเปิดตัวระบุว่าสามารถถอดเสียงบันทึกความยาวสองชั่วโมงได้ในสองนาที และอ้างว่าความแม่นยำในการรู้จำโดยรวมสูงกว่า 96% ตัวเลขเหล่านี้เป็นข้อมูลผลิตภัณฑ์ที่มีรายงานเผยแพร่ ไม่ใช่ผลวัดที่ได้รับการยืนยันโดยอิสระจากแหล่งข่าวที่อ้างถึง 18
ประกาศเรื่องหุ่นยนต์บอกทิศทาง แต่ยังไม่ยืนยันความสามารถเฉพาะ
iFLYTEK วางเทคโนโลยี Spark สำหรับปฏิสัมพันธ์หลายรูปแบบแบบมีร่างกาย และ Robot Super Brain Platform 3.0 ไว้เป็นส่วนหนึ่งของการขยับจากอินเทอร์เฟซเสียงไปสู่หุ่นยนต์ที่โต้ตอบในโลกกายภาพ 18
24
แต่รายงานจากงานที่อ้างถึงยังมีรายละเอียดไม่พอสำหรับยืนยันความสามารถเฉพาะ เช่น การลดเสียงรบกวน การระบุว่าใครกำลังพูดกับหุ่นยนต์ การประสานคำพูดกับการเคลื่อนไหว การเริ่มสนทนาเมื่อกล้องตรวจพบคน การทำงานประสานกันระหว่างอุปกรณ์กับคลาวด์ การจัดการงานเบื้องหลัง การปรับแต่งโมดูลให้เข้ากับแต่ละอุตสาหกรรม หรือการสาธิตร้านค้าที่ไม่มีพนักงานและให้หุ่นยนต์ดูแลตลอด 24 ชั่วโมง จึงไม่ควรนำรายละเอียดเหล่านี้ไปกล่าวเป็นความสามารถที่ยืนยันแล้วจากข้อมูลที่มี
ภาพรวมที่ชัดที่สุดคือทิศทางของ iFLYTEK: บริษัทกำลังนำเสนอความเข้าใจเสียงแบบรวมศูนย์เป็นองค์ประกอบหนึ่งของแผนพัฒนาปฏิสัมพันธ์ที่มีร่างกาย ขณะที่ข้อมูลสาธารณะเกี่ยวกับการทำงานจริงของแพลตฟอร์มหุ่นยนต์ยังมีจำกัดเมื่อเทียบกับข้อมูลของ SparkAudio 1.0 18
24
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "จากฟังเสียงให้เข้าใจ ไปสู่หุ่นยนต์ที่โต้ตอบกับโลกจริง: แผน AI ของ iFLYTEK" คืออะไร
ในงาน Global 1024 Developer Festival 2026 iFLYTEK วางแนวทางพัฒนาจากการโต้ตอบด้วยเสียง ไปสู่การโต้ตอบหลายรูปแบบ และต่อยอดสู่หุ่นยนต์ที่มีปฏิสัมพันธ์กับโลกจริง โดยมี SparkAudio 1.0 เป็นแกนด้านเสียง
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
ในงาน Global 1024 Developer Festival 2026 iFLYTEK วางแนวทางพัฒนาจากการโต้ตอบด้วยเสียง ไปสู่การโต้ตอบหลายรูปแบบ และต่อยอดสู่หุ่นยนต์ที่มีปฏิสัมพันธ์กับโลกจริง โดยมี SparkAudio 1.0 เป็นแกนด้านเสียง ตัวเลขสถาปัตยกรรม เช่น ตัวเข้ารหัสเสียง 0.65 พันล้านพารามิเตอร์ โมเดล MoE 30B A3B และการรองรับ 99 ภาษา 202 สำเนียง มาจากรายงาน Spark Audio 1.0 Preview ก่อนหน้า ไม่ใช่ข้อกำหนดยืนยันของรุ่นที่เปิดตัวในงาน