热点

阶跃发布端到端语音大模型Step-Audio 2 mini

字号+ 作者:牛骥同槽网 来源:企业内刊 2026-11-23 我要评论(0)

阶跃发布端到端语音大模型Step-Audio 2 mini

9月1日,阶跃星辰正式发布最强开源端到端语音大模型Step-Audio2mini。该模型在多个国际基准测试集上取得了SOTA(State-of-the-Art)成绩,将语阶跃音理解、音频推理与生成统一建模,在音频理解、语音识别、跨语种翻译、情感与副语言解析、语音对话等任务中表现突出,并率先支持语音原生的Tool Calling能力,可实现联网搜索等操发布作。Step-Audio2mini被形容为“听得清楚、想得明白、说得自然”,其模型现已上线GitHub、Hugging Face等平台,供用户下载、试用并反馈。

Step-Audio端到2mini在多个关键基准测试中取得SOTA成绩,在音频理解、语音识别、翻译和对话场景中表现卓越,综合性能超越Qwen-Omni、Kimi-Audio等所有开源端到端语音模型,端语并在大部分任务上超越GPT-4o Audio。在通用多模态音频理解测试集MMAU上,Step-Audio2mini以73.2的得分位列开源端到端语音模型榜首;在衡量口语对话能音大力的URO Bench上,Step-Audio2mini在基础与专业赛道均拿下开源端到端语音模型最高分;在中英互译任务上,Step-Audio2mini在CoVoST2和CV模型SS评测集上分别取得39.3和29.1的分数,大幅领先GPT-4o Audio和其他开源语音模型;在语音识别任务上,Step-Audio2mini取得多语言和多方言第一,其中开源中文St测试集平均CER(字错误率)3.19,开源英语测试集平均WER(词错误率)3.50,领先其他开源模型15%以上。

Step-Audio2mini通过创新架构设计,有效解决了此前语ep音模型存在的问题,做到“走脑又走心”。它采用真端到端多模态架构,突破传统ASR+LLM+TTS三级结构,实现原始音频输入到语音响应输出的直接转换,架构更简洁、时延更低,并能有效理-A解副语言信息与非人声信号。此外,Step-Audio2mini在端到端语音模型中首次引入链式思维推理(CoT)与强化学习联合优化,能对情绪、语调、音乐等副语言和非语音信号进行精细ud理解、推理并自然回应。模型还支持包括web检索等外部工具,有助于解决幻觉问题,并赋予模型在多场景扩展上的能力。

Step-Audio2mini的能力在案例中得到了生动展示。它io能精准识别大自然的声音、精湛的配音,还能实时搜索获得行业最新资讯。此外,Step-Audio2mini还能控制语速,轻松应对不同场景的对话需求。当被问及哲学难题时,Step 2-Audio2mini能将抽象问题转化为极简方法论,展现强大的逻辑推理能力。

  • GitHub:https://github.com/stepfun-ai/Step-Audio m2

  • Hugging Face:https://huggingface.co/stepfun-ai/Step-Audio-2-mini

  • ModelScope:https://www.modinelscope.cn/models/stepfun-ai/Step-Audio-2-mini

1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源;2.本站的原创文章,请转载时务必注明文章作者和来源,不尊重原创的行为我们将追究责任;3.作者投稿可能会经我们编辑修改或补充。

相关文章
  • 云安全日报220428:思科Catalyst9000系列交换机发现权限提升漏洞,需要尽快升级

    云安全日报220428:思科Catalyst9000系列交换机发现权限提升漏洞,需要尽快升级

    2026-11-10

  • 标签: 腾讯 字节跳动 混元模型 姚顺雨

    标签: 腾讯 字节跳动 混元模型 姚顺雨

    2026-08-14

  • 标签: 猎豹移动 AI机器人 财报 机器人业务

    标签: 猎豹移动 AI机器人 财报 机器人业务

    2026-07-03

  • GNN for Science: 腾讯AI Lab、清华共同发文综述等变图神经网络

    GNN for Science: 腾讯AI Lab、清华共同发文综述等变图神经网络

    2026-09-08

网友点评