StepAudio 3发布：5个语音模型正在变成一整套工具

阶跃前几天发布了 StepAudio 3，一口气来了 5 款语音大模型：Realtime、ASR、TTS、Gen 和 Music。

一开始看到这个模型清单其实有点疑惑：不都是处理声音吗，为什么还要拆成这么多模型？

搜了下相关资料，看下来才发现，它们解决的事情有些不一样。

ASR 是把话听准、转成文字；
TTS 反过来，让文字念出来别那么像机器；
Realtime 要应付真聊天里的停顿、插话、打断，还得边说边推理、顺手调工具。
Gen 和 Music 更偏创作，前者能一起生成人声、音效、环境声和 BGM，后者专门做完整的曲子。

这次数据也挺亮眼。
Artificial Analysis 上，StepAudio 3 Realtime 的全双工基准 98.9%、语音推理 99.7%，目前都排第一；ASR 的 WER 做到 1.7%，同样处在榜单第一梯队。

所以现在看“语音模型”这几个字，感觉范围已经比以前大很多了。以前我第一印象能想到的就是语音转文字、文字转语音，现在已经扩展到实时对话、音频制作和音乐创作。

目前这些模型已经上线阶跃开放平台，Realtime、Chat、Gen、Music 的预览版还在限时免费，TTS 是 2.5 元/万字符，ASR 是 2.8 元/小时。

我这次还没实际测，先把发布信息和几组第三方数据整理出来。后面如果有合适的场景，我比较想试一下 Realtime 的打断体验到底顺不顺畅，以及 Gen 一次生成完整音频场景到底能做到什么程度。