阶跃发布 StepAudio 3 系列：五款语音模型登顶 Artificial Analysis 全球榜单

事件概述

9月15日，阶跃星辰（StepFun）正式发布新一代语音大模型 StepAudio 3 系列。该系列一次性推出五款模型：StepAudio 3 Realtime（实时交互）、StepAudio 3 ASR（语音识别）、StepAudio 3 TTS（语音合成）、StepAudio 3 Gen（音频生成）和 StepAudio 3 Music（音乐创作）。这一发布标志着语音大模型从单一的“听”或“说”单项能力，向覆盖理解、推理、交互和内容创作的全栈能力演进。

核心信息与性能表现

根据第三方权威 AI 模型评测机构 Artificial Analysis 的数据，StepAudio 3 系列中的多款模型在全球榜单中取得优异成绩，具体表现如下：

• StepAudio 3 Realtime（实时语音交互）

  • 榜单排名：在 Artificial Analysis Conversational Dynamics（对话动态）榜单中以 98.9% 的综合得分排名 全球第一。在 Speech Reasoning（语音推理）榜单中也位列 全球第一。
  • 技术特性：支持原生全双工对话，能够判断回应时机，处理临时打断和连续反馈。具备语音推理和任务执行能力，可同时理解语义、语气、情绪及环境声音。支持 Tool Call 和长任务异步执行，确保在任务运行期间不打断当前对话。

• StepAudio 3 ASR（语音识别）

  • 榜单排名：在 Artificial Analysis 非流式语音识别准确性榜单中，词错误率（WER）为 1.7%，并列 全球第一。
  • 技术特性：结合高精度识别与大语言模型的上下文理解能力，优化了对专业术语、人名、地名、方言及复杂上下文的理解。针对低声、快速语音、含糊连读及背景音乐等复杂输入场景进行了专项优化，支持中文、英文、中英混说等多类场景。

• StepAudio 3 TTS（真人级语音生成）

  • 技术特性：不仅生成自然的音色、语调、节奏和情绪，还能模拟笑声、迟疑、重复、改口等真实交流中的副语言表现。采用流式生成架构，实现生成与播放同步，满足实时应用需求。

• StepAudio 3 Gen（综合音频生成）

  • 技术特性：整合人声、音效、环境声和背景音乐生成环节。用户可通过自然语言描述角色、场景和剧情，一次生成包含多种声音元素的完整音频，并精确控制音色、情绪及声音出现的时间顺序。适用于影视、动画、游戏、广播剧等内容生产。

• StepAudio 3 Music（音乐创作）

  • 技术特性：支持歌曲创作、清唱配乐、翻唱及基于 ABC 记谱法的多轮交互创作。允许用户通过歌词、清唱或参考歌曲与模型协作完成编曲和作品迭代，深入参与实际音乐生产流程。

值得关注

StepAudio 3 系列的发布展示了语音大模型在实时性、理解深度和创作广度上的显著进步。特别是 Realtime 模型在保持低延迟的同时引入推理和任务执行能力，以及 ASR 模型在复杂噪声环境下的高准确率，体现了其在工业级应用场景中的竞争力。目前，所有五款模型均已上线阶跃星辰开放平台供开发者使用。