摘要：
2026年9月15日，阶跃星辰正式推出StepAudio 3语音大模型系列。与多数语音模型聚焦单一环节不同，这一系列一次性推出Realtime、ASR、T... 2026年9月15日，阶跃星辰正式推出StepAudio 3语音大模型系列。与多数语音模型聚焦单一环节不同，这一系列一次性推出Realtime、ASR、TTS、Gen、Music五款子模型，覆盖从“听懂”到“表达”再到“创作”的完整语音链路。在Artificial Analysis多项权威榜单中，StepAudio 3的实时对话综合得分98.9%、语音推理准确率99.7%均列全球第一，ASR词错误率1.7%并列全球第一。
五款模型各管一段，合起来是一条完整链路
StepAudio 3 Realtime主打原生全双工实时对话，支持边听边理解、判断接话时机并完成推理与任务执行。模型可同时理解语义、语气、情绪与副语言，支持推理与语音生成并行、工具调用与长任务异步执行而不阻塞当前会话。这意味着实时语音助手可以在倾听、思考与行动之间保持连贯，而不是“说完再想、想完再说”。
StepAudio 3 ASR将高精度识别与大语言模型的上下文理解、知识与推理结合，支持中文、英文、方言、中英混说、长音频与专业领域识别，能更准确识别人名、地名与专业术语。在非流式语音识别榜单中，词错误率仅1.7%，适用于会议纪要、字幕生成、智能客服与车载交互，也能处理低声、快语速与背景音乐等复杂输入。
StepAudio 3 TTS面向实时交互场景，在音色、语调、节奏与气口停顿上贴合人类口语模式，并能还原笑声、迟疑、结巴、改口等副语言表现。StepAudio 3 Gen将角色配音、环境音、音效与背景音乐统一到一个模型中，基于自然语言描述与参考音频一次生成具备完整声音层次的内容。StepAudio 3 Music不仅支持从零生成，也支持基于ABC记谱法控制的多轮交互创作，可围绕已有歌词、清唱、参考歌曲继续完善作品。
与同类语音模型的差异：覆盖广度
FunASR以ASR为主、ElevenLabs以TTS为主、Whisper以ASR为主，多数语音模型仍聚焦单一环节。StepAudio 3的差异化在于以单一系列打通实时交互、识别、合成、生成与音乐五大方向。在AI工具导航的视角下，这种“一套模型解决多种语音任务”的思路，降低了开发者在多个模型间切换的集成成本；对于关注AI办公软件推荐的团队，会议转写、客服语音、内容配音等场景也可以在同一平台内完成调用，无需为不同任务分别采购。
应用场景与获取方式
智能客服与车载交互可基于Realtime支撑低延迟、可打断的对话式服务；会议与媒体转写依托ASR的高精度与专业术语识别，生成会议纪要、视频字幕与直播文稿；音视频内容创作借助TTS与Gen批量产出配音、音效、环境音与背景音乐。适用人群包括需要语音能力的企业开发者、智能硬件与车载厂商、媒体与短视频创作者。
StepAudio 3以商业API形式在阶跃星辰开放平台提供，按调用量计费，各子模型独立计价，开发者可按实际场景选用。目前未开源，不提供权重或本地部署版本；对需要自托管或私有化部署的团队，可参考FunASR等开源语音方案作为替代，但其在实时交互与音乐创作上的覆盖不及本系列。