StepAudio 3

StepAudio 3 是阶跃星辰推出的语音大模型系列，含 Realtime、ASR、TTS、Gen、Music 五款模型，已上线开放平台可 API 接入。Realtime 在 Artificial Analysis 对话动态榜以 98 分登顶，支持实时全双工对话。

产品简介 StepAudio 3 是阶跃星辰的旗舰语音模型系列，提供从语音识别（ASR）到语音合成（TTS）再到端到端语音对话（Realtime）的全链路能力。该系列在 Artificial Analysis 的对话动态评测中以 98 分登顶，展示了在实时性、自然度和任务完成度上的领先表现。

模型系列 StepAudio 3 Realtime：端到端实时语音对话模型，支持真正的全双工通话——用户可以随时打断、插话，模型不会抢话也不会假装没听见。能理解语气、情绪和话外之音，并可调用工具执行任务后返回对话。 StepAudio 3 ASR：自动语音识别模型，高准确率、低延迟，支持中文和英文实时转写。 StepAudio 3 TTS：文本转语音模型，在音色、语调、节奏和气口停顿上贴近自然口语，可呈现笑声、迟疑、结巴、重复和改口等真实表达。 StepAudio 3 Gen：音频生成模型，可生成音乐、音效等非语音类音频内容。 StepAudio 3 Music：音乐生成模型，支持歌曲级别的音乐创作。

技术亮点 真正的全双工对话：支持自然打断、附和识别和话权协调，响应延迟低，适合实时语音交互场景。 自适应推理：简单问题快速回应，复杂问题边想边说，在响应速度和回答质量之间动态平衡。 多模态融合：语音模型与阶跃星辰的大语言模型深度整合，语音助手可调用工具执行复杂任务。

适用场景 语音助手/Chatbot：需要低延迟、高自然度的实时语音对话。 智能硬件：语音交互设备需要端到端语音理解能力。 配音与内容创作：TTS 和 Music 模型适合语音内容批量生产。 会议记录与实时字幕：ASR 模型适合会议转写和实时字幕生成。 Voice Agent：需要全双工语音能力执行订票、客服等任务。