语音模型列表

​

模型概览

阶跃语音系列模型覆盖实时语音互动、综合音频生成、文本转语音和自动语音识别，提供从文字到音频、从语音到文字以及端到端语音对话的完整能力，适用于配音、语音助手、智能硬件、Voice Agent、音乐创作、实时字幕和会议记录等场景。

​

模型列表

​

StepAudio 3 Realtime

• 真人自然交互：接话自然、节奏松弛、表达有温度，实时互动更接近真人交流。
• 听懂话，也听懂话外之音：理解语气、情绪、副语言线索和环境声音。
• 真正的全双工对话：支持自然打断、附和识别和话权协调，不抢话也不装聋。
• 自适应推理：简单问题快速回应，复杂问题边想边说，在响应速度和回答质量之间动态平衡。
• 从会聊天到能办事：Voice Agent 可调用工具或执行后端任务，任务完成后自然回到对话。

​

StepAudio 3 TTS

• 真人级说话表现：在音色、语调、节奏和气口停顿上贴近自然口语，可呈现笑声、迟疑、结巴、重复和改口等真实表达。
• 超低时延流式生成：支持边生成边输出，适合实时对话和语音助手。
• 高表现力控制：支持从整体语境到局部表达的细致控制，适合有声内容、配音和情绪化播报。

​

StepAudio 3 Gen

• 综合音频内容创作：用自然语言描述角色设定、音色风格和情绪表达，即可生成富有表现力、可精细控制的人声，并统一编排音效、环境音、背景音乐与歌声。
• 精细化声音设计与控制：支持通过自然语言控制多角色台词、音色风格、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，可在一条指令中描述多个角色及其互动关系。
• 全要素生成与时序编排：可指定人声、音效、环境音和背景音乐的出现位置与先后顺序，完成协同生成与片段衔接。
• 专业内容生产：适用于影视、游戏、动画、广播剧和有声书等场景，快速完成角色配音、多角色对白及配套的环境音、音效和背景音乐。
• 短视频与自媒体：无需专业音频制作经验，一段规范化的自然语言描述即可生成风格可控的配音，并按需补充背景音乐和音效。

​

StepAudio 3 Music

• 歌词成歌：根据歌词和自然语言风格描述，生成包含人声、旋律、编曲和混音的完整歌曲。
• 纯音乐生成：根据场景、情绪、节奏和乐器描述生成无演唱人声的音乐。
• 歌曲翻唱与风格切换：参考歌曲旋律，重新控制风格、人声、编曲和情绪。
• 干声智能配乐：分析清唱人声的旋律、速度、节拍和情绪，生成匹配的和声、节奏与器乐编配。
• 自然语言音乐控制：可组合描述曲风、人声、乐器、情绪、调式和制作质感，降低音乐创作门槛。

​

StepAudio 3 ASR

• 语境理解：以大语言模型为语义底座，结合音频、上下文和领域知识，提升专业术语、人名和同音词识别。
• 跨语言、跨场景提升：覆盖中文、英文、方言、中英混说、长音频和垂类领域。
• 复杂声音处理：支持悄悄话、极快语速、含糊连读、环境噪声、歌唱和背景音乐。
• 低误识别：无语音测试准确率达到 99%，减少环境声、背景音乐和静音片段的误转写。
• 评测亮点：内部上下文推理错误率 0.57%，较 StepAudio 2.5 ASR 降低 64.2%；AISHELL-6 悄悄话 CER 为 3.97%。

关于 StepAudio 2.5 系列的对话模型，我们提供了两种不同的方式调用最新的语音对话模型，分别对应 StepAudio 2.5 Realtime 和 StepAudio 2.5 Chat：

• StepAudio 2.5 Realtime，支持实时语音对话的 Realtime 交互形式，使用 websocket 协议，支持语音请求、语音回复，便于直接使用我们封装好的一整套实时对话能力使用。
• StepAudio 2.5 Chat，支持按轮次对话的 Chat Comletion 交互形式，支持单次提交语音请求、流式文本输出回复内容，便于基于接口和模型能力进行接入和开发。

​

StepAudio 2.5 Realtime

真正具备“活人感”的实时语音大模型。全维度打造专属人设，连每一次呼吸和轻笑都不掉戏。

1. 情绪价值：不再是冰冷的 AI，而是有脾气、有态度、懂接梗的鲜活搭子，为你带来最自然、好玩的陪伴体验。
2. 对话双商领跑：实现对话智商与情商的双重跃升。不仅能深度理解复杂语意、机智抛梗，更具备行业顶级副语言感知力——瞬间读懂你语气中的迟疑与轻笑，极速输出契合度拉满的高情商反馈。
3. 副语言感知：不仅能深度理解复杂语意、机智抛梗，更具备行业顶级副语言感知力——瞬间读懂你语气中的迟疑与轻笑，极速输出契合度拉满的高情商反馈。
4. 千万人设完全自定义：真正实现“全维灵魂捏脸”，彻底打破预设模板束缚。支持细颗粒度定义性格特征、专属口癖与情绪边界，随心打造千万种独一无二的专属搭子。
5. 贴合语境神级表现力：在声音表现层面，StepAudio 2.5 Realtime 全面继承了业内顶尖的 StepAudio 2.5 TTS 能力，理解与生成的深度融合，结合强化学习训练，实现了“Global 全局场景定调”与“句内细节雕琢”的双重能力。能够精准洞察对话氛围，极细颗粒度地拿捏语速、重音与潜台词；发声时自然融入轻笑、叹息等真实细节，让每一次开口都与当下的交流场景完美契合。

情感陪伴、日常交流、百科问答、任务助手等日常实时沟通交互对话全场景。

​

StepAudio 2.5 Chat

真正具备“活人感”的对话大模型。全维度打造专属人设，连每一次呼吸和轻笑都不掉戏。

1. 情绪价值：不再是冰冷的 AI，而是有脾气、有态度、懂接梗的鲜活搭子，为你带来最自然、好玩的陪伴体验。
2. 对话双商领跑：实现对话智商与情商的双重跃升。不仅能深度理解复杂语意、机智抛梗，更具备行业顶级副语言感知力——瞬间读懂你语气中的迟疑与轻笑，极速输出契合度拉满的高情商反馈。
3. 副语言感知：不仅能深度理解复杂语意、机智抛梗，更具备行业顶级副语言感知力——瞬间读懂你语气中的迟疑与轻笑，极速输出契合度拉满的高情商反馈。
4. 千万人设完全自定义：真正实现“全维灵魂捏脸”，彻底打破预设模板束缚。支持细颗粒度定义性格特征、专属口癖与情绪边界，随心打造千万种独一无二的专属搭子。

​

StepAudio 2.5 TTS

Contextual TTS，真正具有声音表演能力的语音合成模型。首次将语境理解能力引入语音生成全流程，让 AI 不是念文本，而是演文本。支持通过自然语言描述实现全局语境定调与句中细腻控制，生成具有呼吸感、轻重主次、情绪弧线的真人级表达。

1. 双档语境控制，人人都是配音导演：
   • 通过 Global Context（全局语境）+ Inline Context（文中语境）双档控制，既能为整段内容定调氛围和人物关系，也能逐句精控每个字词如何演绎。
   • 告别传统标签匹配，用自然语言描述你想要的声音表达。情绪、风格、场景、说话状态，模型都能理解并精准执行。
   • 支持「克制的悲伤，不哭腔，轻轻发颤」「试探着撒娇，不是很黏，带一点嘴硬」这类复杂、混合、有层次的表达意图，实现更开放、更连续、也更贴近真实语境的情绪控制。
2. Zero-shot Clone 全音色可控，百变音色随心复刻：
   • 只需 3s 参考音频即可进行音色复刻，且完整继承全局 / 文中语境控制能力，不受固定音库和预设角色的限制。
3. 字字有戏，句句真实，开口没有 AI 味：
   • 在停顿、重音、节奏、语气转折等韵律维度上全面提升，合成语音有呼吸感、有轻重主次、有情绪起伏。
   • 底层人声品质升级，输出的声音更通透、更具拟人感，没有传统语音合成常见的“塑料感”和“AI 味”。

有声书、短剧配音、广告旁白、情感叙事、内容二创等多种对语音表现力有高要求的场景。

​

StepAudio 2.5 ASR

阶跃新一代语音识别模型，4B 参数 + Multi-Token Prediction（MTP）架构。在保持 SOTA 转写精度的同时单步并行预测多个 Token，大幅削减串行等待——5 分钟音频可在 1 秒内完成转写。提供一次性提交（SSE，模型字符串 stepaudio-2.5-asr）与实时双向流式（WebSocket，模型字符串 stepaudio-2.5-asr-stream）两种接入方式。

1. 极速推理，吞吐与时延双线突破：
   • 引入 MTP 技术单步并行预测多个 Token，吞吐量较传统 ASR 提升 400%，时延降低 60%。
   • 引擎侧 RTF ≈ 0.0053，转写 1 小时音频约需 19 秒，5 分钟音频 1 秒内出完整结果。
2. SOTA 转写精度，多场景全面刷新基线：
   • 基于 4B 参数深度优化，在新闻、会议、强噪声等多场景下，中英文错误率全面刷新行业基线。
   • 支持 ITN 文本规范化，转写结果可直接用于业务系统。
3. 进阶识别能力：
   • 双向流式（stepaudio-2.5-asr-stream）支持累计全量文本、可纠错尾词与字级时间戳，适合实时对话、语音助手、会议字幕。
   • 音频文件识别支持分句与字 / 词级时间戳、双声道分轨，以及说话人识别（区分同一段音频中的不同说话人）。
4. 极致性价比，Step Plan 直接可用：
   • 一次性提交（SSE）API 定价 0.15 元 / 小时，仅为上代 step-asr 系列的 1/10；双向流式 1.2 元 / 小时。
   • Step Plan 订阅用户可直接调用，无需额外开通。

Voice Agent、大规模批量转写、实时字幕 / 直播、会议记录、语音输入等对识别速度与准确率均有要求的场景。

​

Step Audio 2

• 定位：全方位感官理解与端到端自然交互
• 能力标签：音色复刻、Tool Call、网络搜索
• 体验入口：体验中心
• 在语言方面能够理解中文普通话、中文方言、英语、日语。支持语音复刻（通过上传音色片段实现自定义音色）。在能力方面能够理解环境声音事件、人类副语言和语音中的情绪、根据声音推测用户年龄、理解音乐，能够控制不同的语速、语调和情感进行表达，具备原生的 Tool Call 和 网络搜索 能力。

​

Step Audio 2 Mini

• 定位：轻盈、极速而又不失深度
• 能力标签：Tool Call、网络搜索
• 接入方式：仅支持 API 接入
• 与 step-audio-2 模型相似，原生的 Tool Call 和网络搜索能力，效果得分在指令遵循、数理和推理任务上略低于 step-audio-2。模型推理速度更快，需要的资源更少。

​

StepAudio 2 ASR Pro

32B 参数的 ASR Pro 模型。

​

Step Audio R1.5

• 定位：深度声音理解与推理（Step Audio R1.1 升级版）
• 能力标签：边说边想、深度推理、自然交互
• 体验入口：体验中心
• 在 Step Audio R1.1 的基础上升级，进一步强化声音细节分析与逻辑推理能力，能听懂语气背后的深意，大幅提高对声音和情绪的理解。
• 引入基于人类反馈的强化学习（RLHF），在保持推理能力的同时，提升长程语音对话的自然度与情感连贯性。
• 推理和说话并发进行，在保证高质量回复的同时实现更快响应。

​

Step-1o Audio

• 定位：稳定型，久经考验
• 能力标签：Tool Call
• 接入方式：仅支持 API 接入
• 第一代 端到端语音模型。技术成熟稳定，在汽车场景下大规模部署，久经考验，支持多种预置音色风格，支持工具调用。适用于构建基础的语音交互、内容生成等常规业务场景。

应用案例

• 情感陪伴场景：在用户分享人生重要时刻时，如相亲成功经历，模型能够表达恰当的祝贺，提出深入问题，并展现真实的情感共鸣。
• 安全驾驶辅助：识别驾驶者疲劳状态下的语音特征，给予针对性的安全建议，同时通过情感支持缓解疲劳感。
• 方言交互能力：精准模拟地方方言特性，如四川话的音调起伏和特色词汇运用，提供本地化的语音交互体验。
• 如何与男朋友撒娇：以自然可爱且略带俏皮的语气，示范与亲密关系间的撒娇互动，增强关系亲密度。
• 亲子关系支持：针对家长首次送孩子入学等敏感场景，理解并安抚焦虑情绪，同时提供实用的适应性建议。

​

Step TTS 2

step-tts-mini 的升级版：极简高效设计摒弃传统 speaker/emotion 嵌入模块，通过纯 NTP 实现端到端语音生成，大幅降低系统复杂度。支持 step-tts-mini 全部音色、情绪、风格、语种，并在其基础上，进一步强化情绪与风格的可控度、情绪表现力 和音色复刻效果。

1. 11 种情绪 17种风格 3种语言精准可控，情绪饱满，韵律自然，表现力强：
   • 内置 11 种情绪 与 17 种风格 控制，覆盖从温柔甜美到严肃豪爽的多样化表达。语气、韵律与停连更贴近真人情绪起伏。
   • 完美适配需要情绪张力的配音与对话。
   • 支持粤语、四川话、日语。
2. 10s 音频，精准复刻，0成本支持全部情绪风格控制：
   • 仅需约 10 秒参考音频，即可精准复刻音色，并零成本激活全部情绪与风格控制；
   • 适合需要用复刻后的音色 + 多情绪播报的场景，如短视频配音、情感陪聊、营销播报等。
3. 音色复刻支持口音精准还原：
   • 领先的 LLM-based 架构，相较同类产品，可提供对说话人口音细节更精准的复刻效果。
   • 为 直播带货 场景提供更加真实、自然的语音交互体验，有效提升观众沉浸感和信任度。让虚拟主播或智能话术如同真人般亲切生动，显著降低用户听觉疲劳，助力转化率提升。

​

Step TTS Mini

强大的文本转语音模型，以高情绪表现力和风格可控性为亮点。

1. 11 种情绪、7种风格、3种语言可控：内置 9 种情绪 与 13 种风格 控制；支持粤语、四川话、日语。
2. 10s 音频，精准复刻，0成本支持全部情绪风格控制：仅需约 10 秒参考音频，即可精准复刻音色，并零成本激活全部情绪与风格控制。复刻相似度业界领先。

​

Step ASR

阶跃自动语音识别模型，支持实时与离线识别，具备高准确率与低延迟。 特点：

• 支持中英文及多种方言；
• 可应用于语音转写、会议记录、客服质检、语音搜索等场景。

​

Step ASR 1.1

阶跃自动语音识别模型，适用于音频文件识别场景。 特点：

• 可应用于语音转写、会议记录、客服质检、语音搜索等场景。

​

Step ASR 1.1 Stream

阶跃自动语音识别模型，适用于流式语音识别场景。 特点：

• 适用于实时语音输入与流式文本返回场景。

​

使用限制

1. 单次请求支持的最大字符数：tts 模型单次最多支持输入 1000 个字符。
2. 输出格式：支持 wav、mp3、flac、opus，默认为 mp3 格式。
3. StepAudio 3 Gen 输入限制：instruction 和 roles 字段最多 500 字符，scripts 字段最多 1000 字符；超出限制时接口返回 HTTP 400。
4. StepAudio 3 Gen 返回方式：当前支持 HTTP audio / sse 返回，不支持 WebSocket 双向流式。

​

模型快速入门