阶跃一口气发布五款语音大模型：StepAudio 3 系列，多榜单拿下全球第一

据官方消息，9 月 15 日国产大模型公司阶跃星辰发布了新一代语音大模型 StepAudio 3 系列，一次性推出 五款模型：StepAudio 3 Realtime、3 ASR、3 TTS、3 Gen 和 3 Music，覆盖实时语音交互、语音识别、真人级语音生成和音乐创作等场景。据了解，其中多款模型在第三方评测机构 Artificial Analysis 的榜单中位列全球第一。

这五款模型分别能干什么

• StepAudio 3 Realtime（实时交互）：支持原生「全双工」对话，边听边说，能自己判断什么时候该回应、什么时候该等一等，还能处理临时打断和连续反馈。它不只追求低延迟，还加入了「语音推理」和任务执行能力——能同时听懂语义、语气、情绪和环境声音，涉及工具调用的长任务可以放到后台异步执行，不打断你当前的聊天。据官方数据，它在 Artificial Analysis 的 Conversational Dynamics 榜以 98.9% 综合得分列全球第一，Speech Reasoning 榜同样全球第一。

• StepAudio 3 ASR（语音识别）：在高精度识别之外，接入了大模型的上下文理解能力，重点解决专业术语、人名地名、方言和复杂语境的理解问题，支持中英文、方言、中英混说、长音频等场景，并针对低声、快语速、含糊连读、背景音乐等「难听清」的输入做了优化。在 Artificial Analysis 非流式语音识别准确性榜上，词错误率（WER）为 1.7%，并列全球第一。

• StepAudio 3 TTS（语音生成）：主打真人级语音，音色、语调、节奏、停顿和情绪之外，还能生成笑声、迟疑、重复、改口这类真实对话里常见的「副语言」表现，并采用流式架构，边生成边播放。

• StepAudio 3 Gen（声音整合）：把人声、音效、环境声和背景音乐整合到一起，用自然语言描述角色、场景和剧情，一次生成含多种声音元素的完整音频，还能控制角色音色、情绪以及不同声音出现的时间和顺序，适合影视、动画、游戏、广播剧、有声书、短视频等场景。

• StepAudio 3 Music（音乐创作）：不止于「一句话生成一首歌」，支持歌曲创作、清唱配乐、歌曲翻唱，以及基于 ABC 记谱法的多轮交互创作，用户可以用歌词、清唱、参考歌曲等形式和模型一起完成编曲和迭代。

为什么值得关注

过去语音模型大多在「听得准」或「说得像」这类单项能力上比拼。据官方介绍，StepAudio 3 系列把能力延伸到语音理解与生成、实时推理、任务执行和音频创作的全栈范围，让 AI 不只是「听」和「说」，还能理解声音背后的语义与情绪，并参与更完整的交互与内容生产。

目前，StepAudio 3 系列五款模型均已上线阶跃星辰开放平台。

来源：InfoQ《阶跃发布全新语音大模型 StepAudio 3 系列：覆盖语音识别、生成、实时交互与音乐创作》

原文链接：https://www.infoq.cn/article/paoGkkFVHV3gbhG3GEdC