阶跃星辰发布 StepAudio3 全系列音频模型，多项第三方榜单登顶全球第一

阶跃星辰正式推出 StepAudio3 系列音频大模型，一共包含五款模型：StepAudio3Realtime、StepAudio3ASR、StepAudio3TTS、StepAudio3Gen、StepAudio3Music。多款模型在 Artificial Analysis 权威评测榜单拿下全球第一，整套模型现已上线阶跃星辰开放平台。

• 项目主页：https://stepaudiollm.github.io/step-audio-3-gen

整套StepAudio3系列覆盖五大音频核心场景：真人级语音合成、完整音频内容生成、实时语音对话交互、复杂场景语音理解、音乐创作，覆盖语音交互到音频内容生产全链路。

核心亮点：多项指标全球登顶

StepAudio3 Realtime：懂对话节奏的原生实时语音模型

当前不少实时语音模型已经实现全双工、打断能力，但更高阶的体验，在于模型能听懂对话节奏，边听边思考、自主判断什么时候应答。

StepAudio3 Realtime 原生支持全双工实时对话，在 Artificial Analysis 两项榜单取得全球第一：对话动态综合得分98.9%；语音推理准确率99.7%。

它不只是转写文字再回答，可同时解析语义、语气、情绪、副语言以及环境背景音，依托完整音频信息理解用户意图。模型支持推理和语音生成并行；工具调用、长任务可以异步执行，不会阻断当前对话。任务后台运行期间，用户依旧可以随时继续交流，任务完成后自然接续上下文，实现听、说、思考、执行一体化。

StepAudio3 ASR：不止听清，更能理解语境

传统语音识别仅解决文字转写，面对方言、口音、专业术语、同音歧义很容易出错。StepAudio3 ASR融合高精度识别与大模型理解能力，从“辨认声音”升级为“读懂语境”。

支持中英、方言、中英混说、长音频与多专业场景识别，能够妥善处理低声、快语速、连读、歌声、背景音乐等复杂环境。针对医疗、法律、金融、汽车、编程等领域，对人名、地名、专业名词识别效果显著优化。

在 Artificial Analysis 非流式语音识别准确性评测，该模型词错误率WER低至1.7%，并列全球第一，适合会议纪要、字幕生产、智能客服、车载交互、医疗记录等场景。

StepAudio3 TTS：还原真人表达细节，不止机械朗读

StepAudio3 TTS主打真人级语音生成，不再局限于文字朗读。模型在音色基底、语调起伏、停顿气口上贴近人类口语，能够还原笑声、迟疑、改口、重复等真人交流里的副语言特征。模型可以结合语义自主调整情绪与语气，搭配流式生成架构，满足实时语音交互场景使用。

StepAudio3 Gen：一站式生成人声、音效、环境音、背景音乐

传统音频制作需要分开生成配音、环境音效、背景音乐，再剪辑混音。StepAudio3 Gen将整套流程整合进单一模型。

依靠自然语言或者参考音频输入，可一次性生成多角色人声、音效、环境声与配乐。支持精细调控多个人物音色、口音、情绪、喘息、停顿等细节，还能定义各类声音事件出现的时间顺序。

影视、动画、游戏、广播剧、有声书、短视频创作者，可以直接描述剧情场景，一次性产出带时序设计的完整音频片段，大幅缩减后期剪辑工作量。

StepAudio3 Music：面向创作者的交互式音乐生成模型

区别于简单一句话生成歌曲的模式，StepAudio3 Music支持交互式音乐创作。用户可以输入歌词、清唱片段、参考曲目、ABC乐谱，让模型基于已有素材继续编曲、改编。

支持写歌、清唱自动配乐、歌曲翻唱，能用自然语言控制曲风、乐器、旋律、段落情绪。模型对主歌、副歌、桥段等歌曲结构建模，保证整首作品旋律连贯、层次完整。其中清唱配乐是一大亮点，上传一段清唱，模型识别旋律节奏情绪，自动匹配和声、乐器与完整编曲。

核心总结

StepAudio3系列的思路，是把语音识别、实时对话、语音合成、多轨音频生成、音乐创作整合为一套完整音频能力栈。多项权威第三方测试登顶，不再单一比拼单项指标，重点强化理解、情绪感知、时序编排、多轮交互等贴近真实音频创作与人机对话的能力。面向开发者，整套模型已经上线阶跃星辰开放平台可调用。