核心信息

StepFun 推出 StepAudio 3，这是一个包含五个音频模型的系列，涵盖实时语音、语音识别、语音生成、音频生成与音乐。其实时语音模型在 Artificial Analysis 的对话动态与语音推理两项排名第一，语音识别词错误率低至 1.7%。

要点

  • 实时语音模型在 Artificial Analysis 的对话动态（98.9%）与语音推理（99.7%）均排名第一。
  • 语音识别模型达到 1.7% 词错误率，与榜单最佳成绩持平。
  • 可构建支持打断、边思考边说话并能调用工具的语音智能体。
  • 同时支持表现力丰富的语音生成、完整音频场景与音乐创作。