阶跃星辰官网 – Step系列多模态大模型开放平台｜StepAudio 3语音模型全球第一

阶跃星辰官网：Step系列多模态大模型与StepAudio 3语音模型（stepfun.com）

网站简介

核心优势

• 语音能力一次补齐一整条链：StepAudio 3系列不是单点模型，而是Realtime、ASR、TTS、Gen、Music五款一起发：识别、合成、实时交互、音频内容生成、音乐创作全覆盖。过去做一款语音产品往往要在好几家厂商之间拼积木，现在一套接口就能接完。
• 对话动态98.9%，语音推理99.7%：Realtime在Artificial Analysis的Conversational Dynamics榜单上综合得分98.9%、排名全球第一，Speech Reasoning榜单语音推理准确率99.7%，同样是第一。这两个数字比参数规模更能说明问题——能不能在该回应的时候回应、该等的时候等。
• ASR的词错误率压到1.7%：非流式语音识别准确性榜单里，StepAudio 3 ASR的WER为1.7%，并列全球第一。方言、中英混说、长音频、低声、快语速、含糊连读、带背景音乐的输入都做了针对性优化，医疗、法律、金融、汽车、编程这类专业术语密集的场景识别率明显好于通用模型。
• 边说话边干活，任务不打断对话：Realtime支持推理与语音生成并行，Tool Call和长任务可以异步执行——也就是说它一边跟你聊，一边在后台调工具跑流程，任务跑完再回到对话里报结果。这对做语音客服和语音助手的团队是个关键差别。
• 副语言也给你还原：TTS不只管音色、语调、节奏、停顿，还能生成笑声、迟疑、结巴、重复、改口这些真实交流里的「碎动作」，走流式架构做到生成与播放同步。听着像不像人，很多时候就差在这点不完美上。
• Gen和Music把音频整条产线包了：StepAudio 3 Gen按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，多个角色的音色、语气、情绪、方言口音能分别控制，还支持对白与音效的时间顺序编排；Music则支持从零生成，也能用ABC记谱法做多轮交互创作，清唱配乐、歌曲翻唱都在范围内。

发展历史

总结