阶跃星辰连发五款 StepAudio 3 音频模型
9 月 15 日，阶跃星辰一次性发布 StepAudio 3 系列五款模型：TTS（语音生成）、Gen（完整音频生成）、Realtime（实时语音交互）、ASR（语音识别）和 Music（音乐创作），覆盖「听、说、理解、交互、创作」全链路，并同步上线全套 API 文档。音频 AI 竞争正从单点模型比拼转向全栈体系化竞争，本次发布是这一趋势的标志性事件。
已确认
- 实时语音模型围绕「听-说-思-动」持续循环组织，具备 Deep Perception（捕捉声学线索理解用户意图）与 Seamless Duplex（无缝全双工）能力，支持打断、边说边推理和工具调用
- ASR 模型达到 1.7% WER；实时对话模型在 Artificial Analysis 榜单对话自然度达 98.9%，并登顶该评测
- StepAudio 3 Music 支持显式音乐规划（含 ABC 乐理规划）与开放域文本控制生成，最长可生成 5 分半音乐；Music Tokenizer 将音频表示为 50Hz、65536 码本的单码本流，采用 flow-matching 架构
- API 文档同步上线，模型选型包括 stepaudio-3-tts（低延迟流式 TTS）、stepaudio-3-asr-max、stepaudio-3-realtime 等全系列
为什么重要
- 新智元评论认为，五模型齐发显示音频 AI 竞争已从单一模型比拼升级为覆盖全链路的体系化竞争
- 实时模型强调语音 agent 能力（打断、边说边想、工具调用），瞄准实时交互这一关键应用场景，而非仅做语音转写或合成
2026-09-15 ~ 2026-09-16 · 6 条相关
一手来源
- 阶跃星辰发布 StepAudio 3:5 款音频模型,ASR 达 1.7% WER — StepFun_ai ·
- 阶跃星辰连发五款 StepAudio3 模型,音频 AI 转向全栈体系竞争 — 新智元 ·
- StepAudio 3 API 文档上线:含 TTS/ASR/实时对话/音效/音乐全模型 — StepFun_ai ·
- 【源头】阶跃星辰连发五款 StepAudio3 模型,音频 AI 转向全栈体系竞争 — 新智元 · 2026-09-15
- 阶跃星辰发布 StepAudio 3:五个音频模型实时语音登顶评测 — StepFun_ai · 2026-09-16
- 【源头】StepAudio 3 API 文档上线:含 TTS/ASR/实时对话/音效/音乐全模型 — StepFun_ai · 2026-09-16
- 阶跃发布 StepAudio 3 Realtime,边说边想实现实时语音推理 — stepfun-ai · 2026-09-16
- StepAudio 3 Music 发布:支持 ABC 乐理规划,最长 5 分半生成 — stepfun-ai · 2026-09-16
另有 1 条近重复转述:StepFun_ai