与吉利等深度合作，阶跃星辰语音大模型能理解情绪、语调
阶跃星辰近日发布最强开源端到端语音大模型Step-Audio 2 mini，该模型在多个国际基准测试集上取得SOTA（State-of-The-Art，即当前最佳水平）成绩。
在技术层面，Step-Audio 2 mini采用了真正的端到端多模态架构，并将语音理解、音频推理与生成统一建模，不仅时延更低、输出更快，还能更加精准地理解副语言信息、非人声信号等语音要素，提升了语音人机交互的效率和智能程度。目前，Step-Audio 2 mini已经可在GitHub、Hugging Face等平台下载并体验。
根据测评，这款模型在音频理解、语音识别、跨语种翻译、情感与副语言解析、等任务中表现突出，综合性能超越Qwen-Omni、Kimi-Audio在内的所有开源端到端语音模型，并在大部分任务上超越GPT-4o-audio。
随着语音交互成为人机主要交互方式，智能终端设备对语音模型的智商及情商水平提出了更高要求。Step-Audio 2 mini首创了音频推理能力，能对情绪、语调、音乐等副语言和非语音信号进行精细理解、推理并自然回应，由此让AI听懂人类的“弦外之音”；同时，该模型率先支持语音原生的Tool Calling能力，可实现联网搜索等操作，有效解决模型幻觉问题，并让语音模型像文本模型一样具有更强大的知识储备和推理能力。
在此之前，吉利汽车发布了搭载阶跃星辰端到端语音大模型的吉利银河M9，这是行业内端到端语音大模型首次实现量产上车。据阶跃星辰相关人士介绍，自去年发布国内首个千亿参数端到端语音大模型Step-1o Audio以来，该公司持续迭代模型性能，并跟吉利、鲸鱼机器人、TCL、Cyan 青心意创等头部终端厂商达成深度合作，让语音大模型在生活场景中为消费者提供更加智能、便捷的互动体验。
今年以来，阶跃星辰已经开源了 8 款性能领先的多模态模型，覆盖语音、视频生成、图像编辑、3D、多模态推理等多个类别，为全球开源社区贡献多模态力量。
南方+记者 郜小平