阶跃发布 StepAudio 3 系列语音大模型，拿下多个全球第一
IT之家 9 月 15 日消息，阶跃于今日正式推出 StepAudio 3 系列模型，涵盖 StepAudio3Realtime、StepAudio3ASR、StepAudio3TTS、StepAudio3Gen 和 StepAudio3Music 五款产品，其中多款模型在 Artificial Analysis 榜单中夺得全球第一的成绩。目前，这五款模型均已通过阶跃星辰开放平台对外提供服务。
官方介绍，StepAudio 3 系列针对多个核心应用场景设计，包括真人级语音生成、完整音频内容生成、实时语音交互、复杂场景语音理解以及音乐创作。
以下是 IT之家整理的模型官方详细介绍：
StepAudio 3 Realtime：不仅能中断对话，更能理解、思考并采取行动
如今，越来越多的实时语音产品已支持全双工通信、对话中断和低延迟互动。真正拉开体验层次的关键，并非仅仅是“能否同时听说”，而是模型在持续对话中能否边听边理解、判断何时接话，并同步完成推理和任务执行。
StepAudio 3 Realtime 围绕这一目标提升了实时交互能力，支持原生全双工实时对话。
在 Artificial Analysis 的 Conversational Dynamics 榜单中，StepAudio 3 Realtime 以 98.9% 的综合得分位列全球第一，展示了领先的实时语音交互性能。这意味着模型不仅能“听懂”并“回应”，还能像真实交流中的人一样判断对话节奏——知道何时应答、何时等待，以及如何处理用户的临时打断和连续反馈。
与此同时，StepAudio 3 Realtime 以 99.7% 的语音推理准确率，在 Artificial Analysis 的 Speech Reasoning 榜单中同样排名全球第一。Speech Reasoning 专注于评估模型直接理解音频并执行复杂推理任务的能力，是业内衡量“原生语音模型”的最权威第三方基准之一。
模型还能同时解析语义、语气、情绪、副语言特征和环境声音，使实时交互不再仅依赖文字内容，而是利用更完整的音频信息理解用户意图。
面对复杂问题时，StepAudio 3 Realtime 支持推理与语音生成并行进行，在快速响应的同时继续组织和深化后续答案。
此外，Tool Call 和长任务可异步执行，不会阻塞当前语音会话。在任务运行期间，用户仍可继续交流，待结果完成后自然回归当前上下文。
这使得实时语音模型不仅限于“更自然地聊天”，还能在同一持续对话中完成听、说、想、做。
StepAudio 3 ASR：从听清到理解
传统语音识别主要解决“听到了什么”，但现实中的语音常包含方言、口音、专业术语、同音词和复杂上下文。一个真正可用的 ASR 模型，不仅需准确转写声音，还需理解说话者的意图。
StepAudio 3 ASR 将高精度语音识别与大语言模型的上下文理解、知识和推理能力相结合，推动语音识别从“辨认声音”迈向“理解语境”。
它支持中文、英文、方言、中英混合、长音频及专业领域等多种场景识别，适应不同语言环境和表达方式。同时，借助大语言模型的知识理解能力，StepAudio 3 ASR 能更准确地识别人名、地名、专业术语等复杂内容，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。
模型还能处理低声、快语速、含糊连读、歌声和背景音乐等复杂输入，使真实环境下的语音能被更准确地识别和使用。
这意味着，ASR 模型不再仅是声音转写工具，而是能更准确地理解、检索和应用每一段语音内容。在会议纪要、视频字幕、直播理解、智能客服、车载交互、医疗记录、金融服务及专业内容生产场景中，都能精准完成任务。
StepAudio 3 ASR 在 Artificial Analysis 非流式语音识别准确性榜单中，WER（词错误率）仅为 1.7%，并列全球第一。
StepAudio 3 TTS：超越朗读，更接近真人表达
声音不仅承载文字信息，还包含语气、节奏、停顿和情绪等丰富的表达细节。如何让 AI 生成语音更接近真实交流，一直是语音生成模型的重要研究方向。
StepAudio 3 TTS 是一款面向实时交互场景的真人级语音生成模型，致力于让 AI 语音从“准确发声”走向“自然表达”。
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，不仅能生成文字对应的语音，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，使合成语音更接近真人说话。
同时，StepAudio 3 TTS 能结合语义内容理解表达意图，自主调整情绪与语气变化，使声音表达更符合具体场景。在实时交互方面，模型基于流式生成架构，实现生成与播放同步进行，可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
传统音频内容生产通常是一条长链路。角色配音、环境音、音效、背景音乐需分别制作，再经过剪辑、对齐和混音，才能形成最终作品。
StepAudio 3 Gen 尝试将这些分散环节统一到一个模型中。
它可以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进行额外训练，即可直接生成具有完整声音层次的音频内容。
更重要的是，这些声音并非简单叠加。
StepAudio 3 Gen 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，还能进一步指定对白、音效、环境声和背景音乐出现的时间与顺序。
这意味着，模型不仅在“生成声音”，也开始参与整段内容的声音设计和时序编排。
对于影视、动画、游戏、广播剧、有声书和短视频创作者而言，原本需要素材搜集、多工具协作和大量后期处理的声音制作流程，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
音乐生成模型已越来越擅长“一句话生成一首歌”。但真正的音乐创作，不应是简单的“抽卡”。创作者可能已有歌词、清唱、旋律、乐谱或 Demo，希望 AI 接着完成编曲、改编和制作。
因此，StepAudio 3 Music 不仅支持从零生成，还支持基于 ABC 记谱法控制的多轮交互创作。
模型支持歌曲创作、清唱配乐、歌曲翻唱等多种功能。用户可提供歌词、清唱、参考歌曲、ABC 记谱法等输入，让模型围绕已有创作继续生成和完善作品。
同时，用户可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，使生成目标不仅是“一段好听的音乐”，而是一首结构完整、表达连贯的作品。
尤其在清唱配乐场景中，用户只需提供一段清唱，模型即可理解其中的旋律、节奏和情绪，并进一步补充和声、节奏、乐器和完整编曲。
一首温暖柔和的 City Pop 男声歌曲，带一点爵士和轻摇滚的感觉，氛围朦胧浪漫。
这让音乐大模型开始更深入地进入真实音乐生产流程，而不仅是一个“一键生成歌曲”的工具。用户可通过开云下载快速体验这些模型的功能。