模型信息
核心能力
- 语境理解：结合音频信号、上下文关系和领域知识，提升人名、地名、药品名、技术术语和同音词等复杂内容的识别准确率。
- 跨语言、跨场景识别：覆盖中文、英文、方言、中英混说、长音频和垂类领域等场景，相较上一代模型均有提升。
- 专业领域识别：在体育、医药、化工、汽车、法律、金融、编程开发等 20+ 垂类场景中，能够结合领域知识理解专业表达。
- 复杂声音处理：支持悄悄话、极快语速、含糊连读、拖沓发音、环境噪声、歌唱和背景音乐等真实世界音频。
- 歌曲与歌声转写：支持处理清唱、伴奏演唱等复杂歌声场景，直接转写歌曲内容。
- 低误识别：无语音测试准确率达到 99%，可减少环境声、背景音乐和静音片段引发的错误转写。
评测亮点
- 上下文推理：错误率为 0.57%，相比 StepAudio 2.5 ASR 的 1.59% 降低 64.2%；相比豆包 ASR 2.0 的 1.00% 降低 43.0%。
- 垂类专名：覆盖体育、医药、化工、汽车、法律、金融和编程开发等 20+ 领域，平均错误率为 3.81%。
- 相较上一代的全面跃升：中文、英文通用平均错误率分别降低 9.3% 和 25.0%，方言降低 22.3%，垂类领域降低 42.1%，中英混说降低 27.9%。
- 长上下文能力：上下文推理错误率相比上一代降低 64.2%。
- 对比主要商业模型：相比豆包 ASR 2.0，中文通用、英文、重口音、长音频和上下文推理平均错误率分别降低 18.6%、60.4%、23.3%、40.3% 和 43.0%。
- 真实复杂声音：AISHELL-6 悄悄话测试 CER 为 3.97%，优于上一代的 5.36%；在极快语速、含糊、连读和拖沓等测试中保持稳定识别能力。
应用场景
StepAudio 3 ASR Max 将通过 API 提供服务，可用于会议纪要、视频字幕、直播内容理解、智能客服、车载交互、医疗记录、金融服务和专业内容生产等场景，让语音内容更准确地被理解、检索和使用。API 端点
语音识别（流式返回文本）
POST /v1/audio/asr/sse一次性提交音频，SSE 流式返回识别文本。
相关资源
语音大模型总览
返回 Audio 3 系列模型总览。
完整定价详情
查看语音、文本、图像等全部模型的计费规则。
语音识别 API
查看语音识别请求参数、响应事件和接口说明。
Demo 与体验中心
在线体验 StepAudio 3 ASR 的识别能力。