iFLYTEK aprovechó su Global 1024 Developer Festival 2026 para trazar una ruta ambiciosa: pasar de la interacción por voz a la interacción multimodal y, de ahí, a la interacción multimodal encarnada (embodied) para robots. Dos lanzamientos anclan ese plan: el modelo fundacional de audio SparkAudio 1.0 y la Robot Super Brain Platform 3.0, según informaron Sina Tech, IT Home y la transcripción de la keynote del presidente Liu Qingfeng publicada por la propia empresa en Tencent News.
Un solo modelo para escuchar, traducir y entender emociones
SparkAudio 1.0 reúne traducción automática, reconocimiento de voz y comprensión semántica en un único modelo base, de modo que las tareas pueden aprender unas de otras. Más allá del reconocimiento, la interpretación simultánea y la interacción por voz, iFLYTEK asegura que maneja separación de hablantes en tiempo real, comprensión de sonidos ambientales, comprensión de audio y reconocimiento de emociones.
El ejemplo que dio la compañía es contundente: en una calle ruidosa, el modelo puede distinguir bocinas, vendedores y ruido de neumáticos, separar voces superpuestas e inferir el entorno a partir del sonido.
Los números técnicos de SparkAudio 1.0
El informe técnico de iFLYTEK agrega detalle sobre la arquitectura y el entrenamiento:
- Empareja un codificador de audio denso de 0,65 mil millones de parámetros con un modelo de lenguaje mixture-of-experts 30B-A3B.
- Fue entrenado con 13 millones de horas de audio más grandes corpus de texto.
- Soporta reconocimiento de voz en 99 idiomas y 202 dialectos.
- Se entrenó en aceleradores domésticos, incluidos los chips Huawei Ascend 910B y Hygon BW1000.
Liu Qingfeng destacó tres cambios técnicos: un decodificador de audio semisupervisado que aumenta la precisión un 20%, un modelado extremo a extremo con segmentación dinámica que recorta el tiempo de respuesta un 15%, y un decodificado colaborativo de doble paradigma que reduce el costo un 60%. Ojo con las letras chicas: estas cifras son las propias de iFLYTEK, y el informe admite que el seguimiento de instrucciones y el razonamiento sobre audio complejo todavía necesitan trabajo.
Ya está desplegado en productos de consumo
SparkAudio 1.0 ya está activo en iFLYTEK Input Method 16.0, iFLYTEK Hearing, sus cuadernos inteligentes y sus traductores. La empresa también mostró un anillo de grabación con IA que se adhiere magnéticamente a la parte trasera del teléfono y puede transcribir dos horas de audio en dos minutos.
Robots con cerebro: la Platform 3.0
Para robots, iFLYTEK presentó la tecnología de interacción multimodal encarnada Spark. Sus objetivos: reducción dinámica de ruido en espacios complejos, reconocimiento de cuál de varias personas le está hablando al robot, planificación conjunta de habla y movimiento (por ejemplo, saludar con la mano mientras dice adiós) y el inicio de conversaciones cuando la cámara detecta algo relevante.
La Robot Super Brain Platform 3.0 empaqueta ese trabajo. En hardware incluye la placa Spark super brain, un módulo de interacción multimodal y un kit de desarrollo de IA encarnada. En software, un entorno de interacción multimodal encarnada coordina dispositivo y nube, y tareas de front-end y back-end, de modo que un robot puede seguir conversando mientras ejecuta trabajos en segundo plano. La plataforma admite personalización modular y configurable para distintas industrias.
Como demostración en el evento, iFLYTEK la exhibió en una tienda sin personal, operada por robots las 24 horas.
Fuentes: Pandaily con información de Sina Tech, IT Home y la transcripción de la keynote de Liu Qingfeng en Tencent News.
Fuente: Pandaily (China AI)