事件摘要

阶跃星辰于9月15日正式推出 StepAudio 3 系列语音大模型，包含 Realtime、ASR、TTS、Gen 和 Music 五款模型，均已上线开放平台。官方称该系列覆盖真人级语音生成、完整音频内容生成、实时语音交互、复杂场景语音理解和音乐创作等核心场景。其中，StepAudio 3 Realtime 在 Artificial Analysis 对话动态榜单以 98.9% 综合得分位列全球第一，语音推理准确率达 99.7% 同样居首；StepAudio 3 ASR 在非流式语音识别准确性榜单中以 1.7% 的词错误率并列全球第一。这些模型分别针对实时对话、高精度识别、自然语音合成、多元素音频生成和交互式音乐创作进行了能力升级，旨在推动语音 AI 从单一功能向综合理解与创作演进。

关键事实

  • 阶跃星辰发布 StepAudio 3 系列五款语音大模型，包括 Realtime、ASR、TTS、Gen 和 Music，均已上线开放平台。
  • StepAudio 3 Realtime 在 Artificial Analysis Conversational Dynamics 榜单以 98.9% 综合得分排名全球第一，语音推理准确率 99.7% 位列 Speech Reasoning 榜单全球第一。
  • StepAudio 3 ASR 在 Artificial Analysis 非流式语音识别准确性榜单中词错误率仅为 1.7%，并列全球第一。
  • StepAudio 3 TTS 面向实时交互场景，支持流式生成，可还原笑声、迟疑等副语言特征。
  • StepAudio 3 Gen 可基于自然语言描述统一生成人声、音效、环境音和背景音乐，并支持精细控制。
  • StepAudio 3 Music 支持从零生成及基于 ABC 记谱法的多轮交互创作，可处理清唱配乐、翻唱等任务。

影响与观察

阶跃星辰此次发布的 StepAudio 3 系列，标志着语音大模型正从单一任务工具向覆盖交互、识别、生成和创作的综合平台演进。最直接的影响是开发者与内容创作者：开放平台上线意味着他们可快速集成这些能力，例如利用 Realtime 构建更自然的对话机器人，或通过 Gen 和 Music 压缩音频制作流程。对于语音 AI 竞争格局而言，多款模型在第三方榜单登顶，可能加剧行业在实时交互、识别准确率和音乐生成等细分赛道的技术竞赛。值得关注的是，StepAudio 3 Realtime 强调在对话中并行推理、异步执行工具调用，这指向语音助手从“问答”向“任务执行”的转变；而 ASR 结合大语言模型理解上下文，则可能提升医疗、法律等专业场景的语音转写可靠性。不过，官方宣称的“全球第一”基于 Artificial Analysis 榜单的特定评测维度，实际应用表现尚待第三方验证和用户反馈。此外，模型在复杂声学环境下的鲁棒性、多语言支持广度以及音乐生成版权问题，仍是需要持续观察的方面。总体而言，该系列展示了语音 AI 向更自然、更综合方向发展的趋势，但其商业落地效果和长期竞争力仍需市场检验。

查看原文