阶跃星辰发布 StepAudio 3 系列语音大模型

阶跃正式发布 StepAudio 3 系列语音大模型，一次性推出 StepAudio 3 Realtime、StepAudio 3 ASR、StepAudio 3 TTS、StepAudio 3 Gen 与 StepAudio 3 Music 五款模型，目前均已上线阶跃星辰开放平台。官方表示，该系列分别面向真人级语音生成、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，其中多款模型在 Artificial Analysis 榜单中位列全球第一。

StepAudio 3 Realtime：边听边说，还能思考与执行

如今不少实时语音产品已经支持全双工、打断和低延迟交互，但真正拉开体验差距的，是模型能否在持续发生的对话中边听边理解，判断何时接话，同时完成推理与任务执行。StepAudio 3 Realtime 支持原生全双工实时对话，在 Artificial Analysis Conversational Dynamics 榜单中以 98.9% 的综合得分排名全球第一，能够像真实交流中的人一样判断对话节奏，知道什么时候该回应、什么时候该等待，并处理用户的临时打断与连续反馈。它同时以 99.7% 的语音推理准确率位列 Speech Reasoning 榜单全球第一，该榜单聚焦模型直接理解音频并完成复杂推理任务的能力，是评估原生语音模型的重要第三方基准。此外，模型可同时理解语义、语气、情绪、副语言和环境声音，支持推理与语音生成并行，Tool Call 与长任务可异步执行且不阻塞当前语音会话，让实时语音模型在同一场对话中完成听、说、想、做。

StepAudio 3 ASR：从听清，到听懂

真实世界中的语音往往包含方言、口音、专业术语、同音词和复杂上下文。StepAudio 3 ASR 将高精度语音识别与大语言模型的上下文理解、知识及推理能力结合，支持中文、英文、方言、中英混说、长音频以及专业领域等多类场景，能够更准确识别人名、地名与专业术语，在医疗、法律、金融、汽车、编程等领域提升专业表达的识别效果。模型也能处理低声、快语速、含糊连读、歌声和背景音乐等复杂输入，在 Artificial Analysis 非流式语音识别准确性榜单中，WER 仅为 1.7%，并列全球第一，可服务于会议纪要、视频字幕与直播理解、智能客服、车载交互、医疗记录与专业内容生产等场景。

StepAudio 3 TTS：不止朗读，更像真人表达

StepAudio 3 TTS 是一款面向实时交互场景的真人级语音生成模型，在音色基底、语调层次、节奏律动和气口停顿等方面高度贴合人类自然口语模式，还能还原笑声、迟疑、结巴、重复、改口等真实交流中的副语言表现，并结合语义内容理解表达意图，自主调整情绪与语气。模型基于流式生成架构，实现生成与播放同步进行，满足实时语音应用需求。

StepAudio 3 Gen：人声、音效、环境、音乐一次生成

传统音频内容生产链路很长，角色配音、环境音、音效与背景音乐往往需要分别制作再剪辑混音。StepAudio 3 Gen 把这些分散环节统一到一个模型里，可基于自然语言描述和参考音频，统一生成人声、音效、环境音和背景音乐，用户只需描述角色、场景和剧情，无需针对特定角色或场景额外训练。模型支持对多个角色的音色、说话方式、语气、情绪、方言口音以及笑声、喘息、停顿等副语言特征进行精细控制，也可指定对白、音效、环境声与背景音乐出现的时间与顺序，对影视、动画、游戏、广播剧、有声书和短视频创作者而言，声音制作流程有机会被压缩到一次生成和持续迭代中。

StepAudio 3 Music：不止生成，更参与创作

StepAudio 3 Music 不只支持从零生成，也支持基于 ABC 记谱法控制的多轮交互创作，涵盖歌曲创作、清唱配乐、歌曲翻唱等功能。用户可以输入歌词、清唱、参考歌曲或记谱信息，让模型围绕已有创作继续生成与完善，并通过自然语言直接控制曲风、人声、旋律、节奏、乐器、情绪、段落和制作质感。模型还对主歌、副歌、桥段、间奏等歌曲结构，以及跨段落的旋律发展、能量变化和演唱表达进行建模，在清唱配乐场景中可理解清唱里的旋律、节奏与情绪，进一步补充和声、节奏、乐器与完整编曲。

从实时对话、语音识别到语音合成、音频内容生产与音乐创作，StepAudio 3 系列把语音与音频能力拆解成面向不同场景的模型矩阵，并在第三方基准上给出了可量化的成绩，这也让开发者可以在同一平台上按需组合这些能力，构建更完整的语音交互与内容生产应用。