语音大模型 StepAudio 3 拿下三个世界第一，语音识别错误率只剩 1.7%

ivye
未分类
2小时前
6热度
0评论

1.7%。

这是 StepAudio 3 ASR 在 Artificial Analysis 非流式语音识别榜单上的词错误率，并列全球第一。什么概念？你随手念一段带人名、带术语、带方言的普通话，它一百个词里只错不到两个——这个水平已经贴着"比听写员还准"的线了。

9 月 15 日，阶跃一口气发布了五款语音大模型：Realtime、ASR、TTS、Gen、Music，覆盖从实时对话到音乐创作的全链路，全部上线阶跃星辰开放平台。按 InfoQ 的报道，其中多款在 Artificial Analysis 榜单位列全球第一。

对比卡：StepAudio 3 系列五款模型——Realtime 全双工 98.9% 两项第一、ASR/TTS 词错误率 1.7% 并列第一、Gen/Music 创作向

挨个说人话版本：

Realtime：会等的语音对话

StepAudio 3 Realtime，实时语音对话模型。全双工——它可以一边听你说，一边判断什么时候该接话、什么时候继续等，你中途打断它也不尴尬。在 Artificial Analysis 对话动态榜拿 98.9% 的综合得分，全球第一；语音推理榜也是第一。

Artificial Analysis 对话动态榜单截图：StepAudio 3 Realtime 以 98.9% 综合得分列第一 — 图源：Artificial Analysis 榜单截图，经 InfoQ 报道转载

它还能在对话中理解语义、语气、情绪和环境声音，工具调用和长任务异步执行，任务跑着不打断聊天。

ASR 与 TTS：听得懂，说得像

StepAudio 3 ASR，就是开头那个 1.7%。亮点不在"听清"，在"听懂"：专业术语、人名地名、方言、中英混说，还有低声、语速快、背景带音乐这些糟心场景都做了优化。

Artificial Analysis 非流式语音识别榜单截图：StepAudio 3 ASR 词错误率 1.7% 并列全球第一 — 图源：Artificial Analysis 榜单截图，经 InfoQ 报道转载

StepAudio 3 TTS，合成语音。这次的看点是副语言——它能生成笑声、迟疑、重复、改口。就是真人说话时那些"嗯……那个……哈哈哈"的部分。流式架构下生成与播放同时进行。

Gen 与 Music：声音创作的流水线

StepAudio 3 Gen，把人声、音效、环境声、背景音乐合成一件事：你用自然语言描述角色、场景和剧情，它一次生成一段完整的音频，还能控制谁在几点开口、什么情绪。做广播剧、有声书、短视频配音的人应该已经开始搓手了。

StepAudio 3 Music，音乐创作。不只"一句话生成一首歌"，支持清唱配乐、翻唱，还能用 ABC 记谱法跟它多轮来回改作品。

但我真正想聊的不是榜单，是它透露的方向变化。过去的语音模型在卷两件事：听得更清、说得更像人。StepAudio 3 这代把力气花在了三个新地方——

会"等"。全双工的核心不是抢答，是判断沉默该不该打破，像真人聊天里那个会听你把话说完的人。

会"分心"。它能在跟你聊天时异步执行任务和工具调用，比如你说"帮我订个会议室"，它边聊边把这事办了，不打断对话。

会"不像 AI"。TTS 里那些迟疑、改口、笑声，恰恰是以前语音产品最想消灭的"瑕疵"，现在成了还原真人的必需品。

从对讲机到聊天，语音交互的底层逻辑变了。

三条上手通道

一是开放平台 API。 https://platform.stepfun.com 上五款都已就位。价格给个参照（国际站定价文档： https://platform.stepfun.ai/docs/en/guides/pricing/details ）：stepaudio-3-asr-max 是 0.24 美元一小时，上一代 stepaudio-2.5-asr 是 0.022 美元一小时——新代际贵一个量级，质量换钱，自己权衡。他们还有个 Step Plan 订阅制，能在 Claude Code、Cursor 这类工具里用订阅价调模型；7 月有过新用户 15 天免费体验的活动，现在已经截止了，现行动作以官网为准。

二是自己跑。stepfun-ai 这个 GitHub 组织一直有开源传统，Step-Audio 系列从 2025 年 2 月就开放权重了，魔搭上也能搜到系列模型；StepAudio 3 Gen 的技术报告和演示页都挂出来了。五款各自的开放程度，以仓库实际为准。

三是先白嫖个体验环境。GitHub 上有官方开源的 Step-Realtime-Console，实时语音的控制台前端，接上 API 就能自己搭一套调试环境，边玩边看参数。

【亲测补充：注册开放平台拿到免费额度后的实际调用截图；或本地部署的显存占用实测——发表前替换本段】

当然，说句公道话。榜单第一是第三方机构 Artificial Analysis 评的，官方转述听听就好，自己场景自己测才算数；Realtime 的"边聊边办事"听着美，真实延迟和任务成功率得压测过才有底；另外想本地跑语音大模型的话，显存门槛不低，别拿核显机器硬上。

· · ·

语音这条赛道，听得清早就不是瓶颈了，接得住话才算本事。