模型能力总览

旗舰级推理模型，专为智能体构建而生。推理深度比肩顶尖闭源模型，同时具备极速响应与稳定可靠的工具调用能力。在通用推理能力基础之上，更擅长复杂项目规划与长程任务执行。

兼顾智能与效率的高性价比推理模型，典型应用场景有图片内容识别和提取、图片分析和推理、逻辑与数学问题回答、代码生成和补全、智能助手和日常问答、复杂问题调研和解答等。

典型应用场景有文本创意改写、文本摘要生成、文本内容翻译、专业问题回答、角色扮演、信息提取与合并、query 指令补全等。

典型应用场景有资源处理引擎、聊天主播扮演、用户记忆数据整理、食物重量热量预估、意图识别与推荐 query 生成等。

典型应用场景有对话中控引擎、销售客服、自动化快讯生成、问题改写、角色扮演、文本分类或关键词提取等。

典型应用场景有问答助手、词条编辑、行业分析、搜索查询词生成等。

典型应用场景有图片内容识别、图片分析和推理、代码生成和补全、数学问题回答、逻辑问题解答、日常问答等。

典型应用场景有社媒发帖文案创作、AI 问答助手、图片与视频理解等。单次请求限制输入最多60张图片，总大小控制在20M 以内，输入视频为小于128MB 的 MP4文件。

典型应用场景有管家机器人、智慧座舱助手、医学影像分析助手、食物识别、图片信息判断、图片内容描述等。单次请求限制最多50张图片，总大小控制在20M 以内。

典型应用场景为图片描述、食物识别、心理咨询、穿搭建议等。单次请求限制最多20张图片，总大小控制在20M 以内。

典型应用场景有文献阅读助手、图片理解、角色扮演、日常问答等。单次请求限制最多50张图片，总大小控制在20M 以内。

轻量级图像生成编辑模型，单模型同时支持文生图与图像编辑任务。6B 以下参数规模实现同量级性能标杆，可跨量级对标 12B-20B 级开源大模型；单次编辑 1-2 秒，适合实时交互修图。输入图片最大支持 4096x4096 分辨率。

适用于需要高质量图像生成的场景，如艺术创作、游戏开发等。输入文本最大长度为512个字符；输入图片需在10Mb 以内，像素不大于2048x2048，格式为 png 或 jpeg。单次可请求生成1张图像。

新模型生成图片质感更真实，中英文文字生成能力更强。输入文本最大长度：文生图 512 字符，图生图 1024 字符；输入图片需在10Mb 以内，像素不大于2048x2048，格式为 png 或 jpeg。单次可请求生成1张图像。

模型能够理解用户的意图，并生成符合要求的图像编辑结果，适合应用于图像编辑、人像美化、艺术创作等场景。输入文本最大长度为512个字符；输入图片需在10Mb 以内，像素不大于1024x1024，格式为 png 或 jpeg。单次可请求生成1张图像。

真正具备”活人感”的实时语音大模型。继承 StepAudio 2.5 TTS 表现力，结合行业顶级副语言感知能力——读懂语气中的迟疑与轻笑，输出契合度拉满的高情商反馈。支持千万人设完全自定义，可细颗粒度定义性格、口癖与情绪边界。适合情感陪伴、日常交流、百科问答、任务助手等实时对话场景。

真正具备”活人感”的对话大模型，仅文本返回。能深度理解复杂语意、机智抛梗，具备行业顶级副语言感知力——读懂语气中的迟疑与轻笑，输出高情商反馈。支持千万人设完全自定义，细颗粒度定义性格特征、专属口癖与情绪边界。

支持中、英、日语、粤语、四川话，提供19种官方音色，兼具出色的音色复刻能力，支持中、英、日语复刻。适合客服外呼、情感陪伴、智能助手语音交互等对发音真人感要求高的场景。

阶跃新一代流式语音识别模型，基于 4B MTP 架构，在识别准确率与响应延迟之间取得良好平衡。支持中英文识别与 ITN 文本规范化，适合实时字幕、语音输入、会议记录等对识别速度与准确率均有要求的场景。

32B 参数的 ASR Pro 模型。

具有强大的中英文语音识别能力的 ASR 模型，能够自动区分语音和噪音，支持中英文混合语音识别和多种重口音普通话识别。可广泛应用于语音输入、语音控制、会议记录等场景。

提供超低延迟的双向交互语音对话体验，支持中文、英语、重口音普通话输入，支持中、英、日语、粤语和四川话输出。单次互动时长最长30分钟，可处理音频时长最长70分钟。已在智能座舱、智能终端、社交娱乐、情感陪伴、智能客服、金融调解等行业领域落地。

旗舰级推理模型，专为智能体构建而生。推理深度比肩顶尖闭源模型，同时具备极速响应与稳定可靠的工具调用能力。在通用推理能力基础之上，更擅长复杂项目规划与长程任务执行。

兼顾智能与效率的高性价比推理模型，典型应用场景有图片内容识别和提取、图片分析和推理、逻辑与数学问题回答、代码生成和补全、智能助手和日常问答、复杂问题调研和解答等。

典型应用场景有文本创意改写、文本摘要生成、文本内容翻译、专业问题回答、角色扮演、信息提取与合并、query 指令补全等。

典型应用场景有资源处理引擎、聊天主播扮演、用户记忆数据整理、食物重量热量预估、意图识别与推荐 query 生成等。

典型应用场景有对话中控引擎、销售客服、自动化快讯生成、问题改写、角色扮演、文本分类或关键词提取等。

典型应用场景有问答助手、词条编辑、行业分析、搜索查询词生成等。

典型应用场景有图片内容识别、图片分析和推理、代码生成和补全、数学问题回答、逻辑问题解答、日常问答等。

典型应用场景有社媒发帖文案创作、AI 问答助手、图片与视频理解等。单次请求限制输入最多60张图片，总大小控制在20M 以内，输入视频为小于128MB 的 MP4文件。

典型应用场景有管家机器人、智慧座舱助手、医学影像分析助手、食物识别、图片信息判断、图片内容描述等。单次请求限制最多50张图片，总大小控制在20M 以内。

典型应用场景为图片描述、食物识别、心理咨询、穿搭建议等。单次请求限制最多20张图片，总大小控制在20M 以内。

典型应用场景有文献阅读助手、图片理解、角色扮演、日常问答等。单次请求限制最多50张图片，总大小控制在20M 以内。

真正具备”活人感”的实时语音大模型。继承 StepAudio 2.5 TTS 表现力，结合行业顶级副语言感知能力——读懂语气中的迟疑与轻笑，输出契合度拉满的高情商反馈。支持千万人设完全自定义，可细颗粒度定义性格、口癖与情绪边界。适合情感陪伴、日常交流、百科问答、任务助手等实时对话场景。

真正具备”活人感”的对话大模型，仅文本返回。能深度理解复杂语意、机智抛梗，具备行业顶级副语言感知力——读懂语气中的迟疑与轻笑，输出高情商反馈。支持千万人设完全自定义，细颗粒度定义性格特征、专属口癖与情绪边界。

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。通过 Global Context（全局语境）+ Inline Context（文中语境）双档控制，配合 Zero-shot Clone，让合成语音有呼吸感、轻重主次和情绪弧线，适合有声书、短剧配音、广告旁白、情感叙事等高表现力场景。

支持中、英、日语、粤语、四川话，提供19种官方音色，兼具出色的音色复刻能力，支持中、英、日语复刻。适合客服外呼、情感陪伴、智能助手语音交互等对发音真人感要求高的场景。

阶跃新一代流式语音识别模型，基于 4B MTP 架构，在识别准确率与响应延迟之间取得良好平衡。支持中英文识别与 ITN 文本规范化，适合实时字幕、语音输入、会议记录等对识别速度与准确率均有要求的场景。

32B 参数的 ASR Pro 模型。

具有强大的中英文语音识别能力的 ASR 模型，能够自动区分语音和噪音，支持中英文混合语音识别和多种重口音普通话识别。可广泛应用于语音输入、语音控制、会议记录等场景。

提供超低延迟的双向交互语音对话体验，支持中文、英语、重口音普通话输入，支持中、英、日语、粤语和四川话输出。单次互动时长最长30分钟，可处理音频时长最长70分钟。已在智能座舱、智能终端、社交娱乐、情感陪伴、智能客服、金融调解等行业领域落地。