10月29日至30日，由流媒体网携手江西广电智媒科技股份有限公司、中国电信江西公司、中国移动江西公司、中国联通江西省分公司联合举办的「豫章论道暨第32届智能视听与科技创新产业论坛」在江西南昌举行。本届论道以“涌现·争流”为主题，设置多场论坛并配套展区、闭门会和行业交流活动。

　　来自广电新媒体、广电网络、通信运营、互联网平台、内容机构和技术企业等领域的代表齐聚南昌，围绕人工智能、AIGC、超高清、智能体、大屏运营、内容创新和产业协同等议题展开密集交流。

　　在10月29日举办的“锻造·新引擎：技术产品论坛”上，科大讯飞股份有限公司广电市场总监赵子元发表了主题为《讯飞星火助力构建广电视听“AI+”新范式》的演讲，结合星火技术实践，探讨了广电AI新范式落地路径。

　　以下为演讲全文：

　　各位领导、各位专家，大家好。我是科大讯飞赵子元，今天汇报的题目是：讯飞星火助力构建广电视听“AI+”新范式。下面我展开介绍。

　　一、让机器能听会说、能理解会思考

　　先介绍讯飞。我们二十多年做的事，是让机器能听会说、能理解会思考。

　　这是国家授予的三块牌子：2017年科技部授予“国家新一代人工智能开放创新平台”，2021年发改委授予“语音及语言信息处理国家工程研究中心”，2022年科技部授予“认知智能全国重点实验室”——分别对应开放平台、工程转化和前沿研究。

　　语音识别一直是讯飞擅长的领域，就是让机器听懂人话。

　　第一，星火语音大模型支持101种语言识别，整体效果超过GPT-4o最新水平，37个语言领先。

　　第二，全国地级市方言全覆盖，288个地市、202种方言。对广电的意义很直接：老人说家乡话，电视听得懂。

　　2024年6月，“多语种智能语音关键技术及产业化”获国家科学技术进步奖一等奖，是过去十年人工智能领域的第一个一等奖。

　　这个奖意义重大，是发给“关键技术加产业化”的——技术要真的跑在生产线上、被人用起来。

　　算力底座是重中之重。大模型再聪明也要跑在芯片上；芯片、框架、工具全是别人的，被卡住就一切归零。所以讯飞从2023年起押注国产算力。

　　2023年10月24日，“飞星一号”发布，中国第一个国产万卡集群建成。

　　2024年1月30日，第一个完全用国产算力训练的大模型星火v3.5发布。

　　2024年2月29日，我们正式承担国家重大任务，共四条：形成持续对标国外最新水平的自主可控通用大模型；确保在极限情况下能够兜底保障我国重大需要；教育、医疗、汽车、司法等行业大模型达到国际最高水平；用多语言大模型给世界提供第二种选择。

　　2025年我们攻克了两座大山。

　　第一座是长思维链强化学习的训练效率，从25%到84%，就是让模型一步一步把复杂问题想清楚。

　　第二座是MoE模型的全链路训练效率，从32%到93%。训练难度很大。

　　提升来自训练方法本身，不是换芯片。此外基于昇腾的训推效率优化还在持续做。

　　在今年刚刚过去的1024开发者节，我们发布了讯飞星火X2.6，特别之处是：第一次完全基于全国产算力，实现代码和智能体能力的突破。

　　这张表是和国际一流模型的公开对比，看两个结论：整体处在第一梯队；强项突出——多语种代码任务，全场最高，代码基准、多轮工具调用、跨工具协同都在前列。

　　国产算力不只能把模型跑起来，还能跑出国际一流的效果。

　　再讲一个具体突破。大模型处理长文章、长视频时要记住的上下文很长，国产芯片显存和带宽有限，就会“放不下、算不快”。

　　办法是长程任务动态并行训练技术：把大活拆开分给很多张卡，短、中、长序列各自适配，参数、梯度、优化器分片存储、按需聚合。

　　结果是：飞星二号训练2000亿参数、256K长度的数据，从4.5个月压缩到1.2 个月。

　　训练快了还得用得快，这里讲推理效率。

　　一是国产异构算力的分布式推理，让不同型号国产芯片协同干活，配合自适应负载调度和逐层预加载。

　　二是业界第一个基于全国产设备的四层缓存技术。缓存是“随手可取的便签”，把常用中间结果分层放在显存、内存和集群存储里，就近取用。

　　结果是：飞星二号国产芯片推理效率提升到原来的4.5倍，缓存命中率从63%提升到95.7%。

　　再一个方向是把模型装进终端：手机、遥控器、电视。最新发布的星火X2.6-4B有40亿参数，智能体能力实现一次阶跃。

　　对比同尺寸乃至更大尺寸的模型：信息搜索问答、办公文档处理、日程任务管理、本地表格操作、多轮工具调用，八项测试七项第一。9月1日开源的上一代端侧模型，已256万次下载，进入全球端侧模型前四。

　　端侧对广电的意义在于：电视、机顶盒算力有限，还要考虑响应速度和数据不出户。

　　端侧模型能做到这个水平，靠端云一体训练：云端大模型当老师，端侧小模型当学生；系统先感知端侧当下的真实能力，再动态调整教什么、怎么教。

　　效果是：2K上下文条件下，端侧模型独立完成的智能体任务覆盖度，从同类模型的12.8%提升到41.9%。

　　另一项是端云协同架构：任务来了，先由端侧小模型判断“自己能干，还是得请云帮忙”，判断准不准直接决定体验。

　　为此训练了“任务路由模型”和“评语模型”，端云交替训练、互相纠错，路由准确率从81.2%提升到96.1%。好处是本机处理的事就不上传，速度快，也保护隐私。

　　二、人工智能赋能数智广电建设

　　以上是公司的技术底子。下面进入正题：人工智能怎么赋能数智广电建设。

　　这页是整体思路，落在“四个助力”和“四条线”上。

　　四个助力：视听服务和体验“双提升”、广电智能应用创新、视听治理体系建设、中国视听出海计划。

　　四条线对应四类对象：面向用户是智能操控，提供超拟人的多模态人机交互和特色内容；面向生产是智能办公，提供内容制作与办公提效的应用；面向治理是智能审核，提供内容审核的技术和平台服务；面向海外是AI 同传，提供多语种技术和软硬一体化产品。

　　四条线不是孤岛，共同长在一个底座上——就是最后要讲的广电行业大模型底座。下面逐条展开。

　　1、智能操控

　　第一条线，面向用户的智能操控。

　　主题是AI普惠化。为什么要提普惠？很多老年人面对遥控器不知道怎么按，看电视被搞复杂了。

　　我们和总局一起推进智能语音普惠化，也参与制定行业标准，核心思路是用说话代替按键。累计用户超1.8亿，月活跃超5000万，已在广东广电和移动、电信、联通的电视业务中广泛使用；我们支撑了插入式机顶盒和通用遥控器的规模部署。

　　方言是另一张牌：202种方言、288个地市全覆盖，老人在家说家乡话就行。

　　还有一个新能力：个性化记忆，用户说一句“继续看我喜欢的那部纪录片”，电视能记住，直接接着播。

　　这是家庭场景的产品体系，叫“1+2+N”。

　　“1”是一个入口平台，负责用户体验提升和智能体的快速生产、管理。

　　“2”是两个高价值场景，围绕“一老一小”：AI康养和AI益智教育。

　　“N”是N个场景应用：影视闲聊、亲子互动、健身、游戏、出行、美食、旅游策划、智能家居、周边生活，覆盖衣食住行文娱购。

　　底下是智能体运营平台，负责信源管理、原子能力整合和意图分发。落点是通过语音交互入口的大模型能力升级，帮各位抢占AI时代新的服务入口。

　　这张图是入口平台的内部结构，分三块看。

　　左边是家庭智能体平台：向下是需求规划决策、场景感知洞察、长短时记忆，向上支撑知识库、文档采编、工作流编排和工具链调用。

　　中间是垂直高价值场景应用：健康服务关怀随访、个性化服务方案，以及益智培育智能体、亲子助手、语文作文辅导、英语口语练习。

　　右边是生态智能体，聚合100多个垂直场景服务，包括虚拟教师、家庭医生、虚拟角色、生活助手。

　　一句话：集“交互、服务、生态”于一体的家庭入口，实现从“看电视”到“用电视解决生活需求”的跃迁。

　　2、智能办公

　　第二条线，面向生产的智能办公。

　　先看会议。围绕会议全流程打造集约化智慧会议平台，集约化就是把现有会议系统和设备打通，不再各建各的。

　　三个入口：固定会议室用PC客户端，个人电脑用网页端，移动办公用H5手机端。

　　三个阶段：会前做会议排位、多议题会议、会议室预定和通知；会中做实时转写、上屏、编辑、分享，还能做角色区分和标记；会后自动生成摘要、发言人总结、要点回顾、篇章规整，产出纪要和待办，材料快速整理输出。

　　底层支持实时和非实时转写、大模型翻译，可接星火也可接开源模型。

　　最特殊的一类是“三重一大”决策、党委会、董事会这类会议：涉及重大投资、人事任免、重要决议，保密要求高，还要满足巡察、审计的归档要求。

　　方案四个关键词：安全合规——全链路国产化部署、端到端加密，满足监管审计要求；决策可溯——发言角色精准区分，决议与表决意见完整可追溯；决议闭环——自动萃取决议待办，对接督办系统确保落地；审计备查——原始数据完整归档，支持随时调阅。

　　流程四步：拾音、转写、纪要编辑、存档与待办生成。价值是减轻会后整理压力，同时保障决策可追溯。

　　会议还有一类刚需：不同语种的人一起开会。两种字幕上屏方案。

　　方案一，大屏公共字幕：会议室有LED或大屏就能用，多语字幕同步上屏，全场统一观看，适合大型会场、报告厅、全体会议。

　　方案二，桌面平板字幕：不用改造会议室，用户自主选语种、可翻看上下文；非固定安装，单机版最多配10块平板，私有化部署数量不限。

　　客户服务是另一大块业务，这页是一组前后对比。

　　对话交互上：过去交互不生动、理解不准确、回复不自然、声音不拟人；现在是多模态、超拟人交互，支持多轮交互、情绪安抚、带人设的回复。硬指标是意图识别准确率90%，主播声音拟真度4.8 分——满分5分。结果是营服效果提升30%，主动挂机率下降30%。

　　场景训练上：过去人工生产、人工优化要3天以上；现在基于大模型自动生产、自动优化，小时级完成。基座是大模型加一千多个金牌人工客服的真实数据。配套的AI+导航：来电先由AI接住做交互，处理不了转人工坐席。

　　3、智能审核

　　第三条线，面向治理的智能审核。

　　先讲AI鉴伪。用AI伪造一段声音、一段视频，成本低、速度快，肉眼耳朵基本分辨不出。讯飞建了AIGC音视图鉴伪平台，四项能力：

　　真伪分类，判断内容是不是AI生成的；伪造定位，针对局部篡改发现区域并给出定位；算法溯源，对生成算法溯源，提供更细的鉴伪结果；可解释证据，不只给结论，同时提供可视化的解释依据。

　　第一个落地场景是证物鉴定：输入监控视频、照片、音频、合同扫描件或电子签章，系统给出统一鉴定输出。

　　监控视频识别剪接、覆盖、插帧并定位到时间段；照片识别合成、局部篡改、编辑并定位区域；音频识别剪接、变声、合成并定位片段；合同扫描件识别改字、拼接、重排并定位字段；电子签章识别复制、覆盖、伪造并给出来源线索。

　　PS、局部篡改、换脸、AI 生成、剪接都在覆盖范围内，价值是识别可复核的鉴定线索。

　　第二个场景是活体认证鉴伪，也就是刷脸。传统活体检测确认的是“人在动”——眨眼、摇头、读数，但没确认“画面是不是AI生成的”，攻击者完全可以让假人做这些动作。屏幕翻拍、虚拟摄像头、AI生成人脸这类攻击，是绕过摄像头直接注入画面的。

　　盲区由此产生：人是真的，输入画面可能已被生成、换脸或注入。

　　做法是双重确认：在活体流程中并行加入人脸生成、换脸与注入痕迹检测，再做风险融合，决定通过、拦截或转人工复核。目标是同时确认“是真人”与“画面未被伪造”。

　　第三个场景是标书鉴伪，由信通院安全所牵头，我们为招投标代理公司建设标书鉴伪系统，覆盖合同、票据和人员资质材料。

　　证据链三步：多类材料进来，统一做真实性判断和篡改检测，最后给出痕迹定位；输出风险结论加痕迹位置，具体到页码和区域。价值是从材料审查走向证据化输出，让伪造痕迹可定位、可复核。

　　再看内容监测监管。挑战三句话：内容数量指数级增长，每天新增数十亿条；生产主体多元化，AIGC降低创作门槛；传统监管手段效能不足，人工分析受限于人力和效率，跟不上实时监管需求。

　　解法是多智能体协同驱动的审核新范式：让几个各司其职的“数字监管员”配合干活——内容巡查、数据采集、审核研判、报告生成，各管一段。

　　底层四项能力：文本理解、图文识别、语音识别、视频理解。价值是审得比人快、比人全。

　　智能审核靠数据和算法，数据的根子在治理。我们提供从数据采集到服务输出的“采、存、治、标、管、用”一体化能力，公有云和私有化都支持。四个数字：140多种多模态数据生产工具，PB级年产数据规模，千万级文本日产量，123种以上语种覆盖。

　　4、面向海外

　　第四条线，面向海外。

　　讯飞多语种传播全场景方案叫“1+3+N”。

　　“1”是一个统一能力中枢。“3”是三个应用平台——业务、知识管理、翻译应用平台；另有协同翻译平台，负责统一数据管理、个性化数据沉淀和效果优化。

　　“N”是N个场景创新应用：国际传播、展会交流、企业出海、国际旅游、教育科研、个人交流，还在扩展。

　　终端形态：翻译APP、翻译SaaS、移动H5、多语言会议系统、同传麦克风、消费硬件，以及手持翻译终端、会议同传、文档翻译、音视频译制、行业语料库。

　　内容出海是广电当下的重要方向，我们提供一站式多语言音视频制作方案，覆盖影视节目译制、短剧漫剧出海、纪录片宣传片译制。

　　流程从音视频输入开始：字幕识别、背景音分离、字幕翻译、原声克隆、AI 配音、大模型翻译、协作修订、时码匹配、断句优化、字幕工程、多格式输出、压制合成，一直到直播输出。原来一支团队干几天的活，现在一条流水线跑完。

　　最后一类是无障碍传播，提供一站式人机协同实时直播字幕方案，用于体育赛事、演出活动、新闻时事三类直播，适合演播室、转播车等场景。

　　三个硬指标：联合国六种官方语言识别准确率96%以上；无缝接入直播生产流程；“人机耦合”模式保障直播零错误——机器先出字幕，人工在关键节点把关。

　　三、携手打造广电视行业大模型

　　最后说我们最想和在座各位一起做的事。

　　构建广电视听行业大模型，我们认为有五大核心要素。

　　第一，自主可控：全栈自主可控的大模型底座，尤其关注内容安全。

　　第二，数据平台：统一标准、数据共享，形成动态的数据汇聚及更新机制。

　　第三，视听特征：深度融合音视频多模态能力，不是把通用模型换个行业词就能用。

　　第四，全球传播：面向全球文化传播，建立跨语言的内容传播体系。

　　第五，开放生态：打造视听领域的开放共享生态，促进资源互通。

　　五条缺一条，行业大模型就立不住。

　　这是基本架构，从下往上四层。

　　最底层是全栈自主可控的国产大模型底座。

　　往上是工具层：语料治理工具、大模型训推工具、智能体工具。

　　再往上是行业模型：选题策划、脚本创作、新闻稿生成、语音、图像、视频生成，视频理解、多语种翻译、安全审核。

　　最上层是场景应用：智能配音、智能采编、智能媒资、内容审核、智能交互、智能译制，以及智能编辑、智能导播、智能推荐、内容增强、舆情分析。

　　最后，广电视听行业大模型，需要与战略合作伙伴共同深度打磨、持续迭代。

　　最后，感谢大家，让我们用人工智能助力数智广电建设。谢谢。

　　更多演讲内容请点击【专题】豫章论道——嘉宾演讲合集

责任编辑：李楠