地鐵急剎，金屬尖叫，廣播響起請乘客注意扶穩，人群騷動、孩子哭聲、對講機雜音一層層湧上來···

你甚至能感覺到車廂在晃。

這不是電影原聲帶。整段聲音是用一句 prompt，AI 一次性生成的。

再來聽一首歌。先是一段清唱，沒有伴奏，就是一個人對着麥克風乾唱：

然後，AI 接手了。一句提示詞——

一首溫暖柔和的 City Pop 男聲歌曲，帶一點爵士和輕搖滾的感覺，氛圍朦朧浪漫

模型直接在這段清唱的基礎上，補齊了編曲、和聲、節奏和完整製作：

從一段乾巴巴的清唱，到一首有呼吸感的完整歌曲。你能聽出來這是 AI 做的嗎？

說實話，我第一次聽的時候也沒分出來。

音頻大模型，開始比體系了

過去兩年，語音 AI 賽道非常熱鬧。

Suno 兩天前剛發布了 v6 系列，OpenAI 的 GPT-Realtime-2 今年把實時語音推理能力拉到了 GPT-5 級別，Google 在 I/O 上把 Gemini Live 推到 70+ 語言的流式翻譯。

但有一個現象值得注意：幾乎所有玩家，都在比單項。

做語音合成的比誰說話更像真人，做語音識別的比誰聽寫更準，做音樂的比誰生成的歌更好聽，做實時對話的比誰反應更快。

然而現實世界裏的語音需求，從來不是一個孤立的點。

一條短視頻的聲音製作，需要角色配音、環境音效、背景音樂，可能還需要先把素材裏的人聲轉成文字做理解。

Voice Agent 要跑起來，語音識別、語音生成、實時交互、推理、工具調用得同時在線。一個音樂創作者做一首歌，可能先有一段清唱，需要 AI 補上編曲、和聲和製作。

這些場景對應的不是一個模型，而是一組能力。

這正是行業正在發生的一個結構性變化：當單點能力逐漸拉平，決定競爭力上限的，變成了誰能把理解、生成、交互和創作連成一套完整的體系。

9 月 15 日，階躍星辰一口氣放出了 StepAudio 3 系列五款模型：StepAudio 3 TTS（語音生成）、StepAudio 3 Gen（完整音頻生成）、StepAudio 3 Realtime（實時語音交互）、StepAudio 3 ASR（語音識別）和 StepAudio 3 Music（音樂創作）。

五條產品線，覆蓋聽、說、理解、交互、創作全鏈路。這在國內音頻大模型領域，是第一家以完整矩陣形態同時推出的。

它反映出階躍對語音 AI 競爭走向的一個判斷：單項能力競賽的窗口期正在關閉，全棧體系化能力開始成為真正的壁壘。

不過話說回來，全棧的前提是每一條腿都得站得住。

這一點，第三方排行榜先給了答案——三個全球第一。

Artificial Analysis Conversational Dynamics 排行榜，StepAudio 3 Realtime 以 98.9% 的綜合得分，全球第一。

這個排行榜測的是對話節奏感：什麼時候該接話，什麼時候該等你說完，用戶突然插一句是想打斷還是只在附和。這恰恰是實時語音裏最像人也最難的部分——不是聽懂和回答，而是知道該不該現在開口。

Artificial Analysis Speech Reasoning 排行榜，StepAudio 3 Realtime 以 99.7% 的語音推理準確率，位列全球第一。

這張榜考的是模型能不能直接聽懂音頻並完成複雜推理任務，而不是先老老實實轉成文字再去想。它是業內評估原生語音模型最權威的第三方基準之一。

Artificial Analysis 非流式語音識別準確性排行榜，StepAudio 3 ASR 的 WER（詞錯誤率）僅 1.7%，並列全球第一。

WER 這個指標很樸素：每轉寫 100 個詞錯幾個。1.7% 意味着差不多 60 個詞才錯一個，已經接近專業速記員的水準。

排行榜說完了。接下來的部分，我們不看分數，只看這些模型在真實場景裏到底是什麼表現。

像人一樣交流

語音模型的基礎能力正在快速成熟。

但識別準確、聲音自然、響應夠快這些單點指標，已經不足以構成完整體驗。

真正拉開差距的，是模型能否接近真實人類交流的狀態：聽懂語境、自然表達，並在持續對話中完成理解、回應和行動。

StepAudio 3 TTS：從聲音自然到表達自然

市面上大多數 TTS 模型已經能把聲音做得很像真人了。

但仔細聽會發現，它們像的是播音員。字正腔圓，完美得不像在說話，更像在朗讀。

真實的人類交流不是這樣的。是呃、是就是那個、是說到一半改口、是突然笑出來又趕緊收住。

來聽一段 StepAudio 3 TTS 生成的語音：

我最近就特別糾結，就是要不要換工作這個事。呃，現在這家吧，錢少，但是離家近嘛，走路十分鐘。新的那個 offer 呢，給得多，多個，多個四千吧大概，但通勤單程要一個半小時。我媽說錢重要，我朋友說命重要，我就，唉，怎麼說呢，天天睡前想這事，越想越睡不着。

注意那些細節：就特別糾結裏帶着微妙的嘆氣，多個，多個四千的口語化重複完全自然，說到命重要時語氣微微上揚，緊接着的唉裏滿是無奈。

這些不是預設的情緒標籤，而是模型根據語義自主判斷出來的表達方式。

再來一段：

你不老說通勤無聊嗎，我給你安利個播客，就，講那種，呃，講歷史八卦的。主播倆人特逗，一集大概，嗯，一個小時吧，正好我來回路上聽。我這兩個月，就，就靠它撐着了。你搜那個名字我回頭髮你，反正免費的。

這段語音裏的就，就靠它撐着了，兩個就之間有一個幾乎無意識的停頓，完全是人在組織語言時的自然節奏。

目前行業裏大部分 TTS 模型處理這類口語化表達時，要麼直接忽略重複詞，要麼機械地念兩遍，很難做到這種「不完美但真實」的語感還原。

從技術層面看，StepAudio 3 TTS 在音色基底、語調層次、節奏律動和氣口停頓上全面貼合自然口語模式，並能還原笑聲、遲疑、結巴、改口等副語言特徵。

前代 StepAudio 2.5 TTS 已經在全球權威的 Artificial Analysis Speech Arena 拿下國產第一、全球前三。

StepAudio 3 TTS 在這個基底上再往前推了一步，把音色像不像轉移到了說話方式像不像。

StepAudio 3 ASR：從聽清到聽懂

語音識別看起來已經很成熟了。但 AI聽清和聽懂之間，隔着一條鴻溝。

你說驍龍8至尊版，它給你轉成小龍八至尊版。你說張靚穎，它給你寫成張亮影。

問題的根源在於，傳統 ASR 只依賴聲學信息——它在意聽到了什麼音，而不是說的是什麼意思。

StepAudio 3 ASR 的思路是把高精度聲學建模和大語言模型的語境理解結合在一起。

識別語音時，模型不只做音-字對應，還會調用語言模型的知識和推理能力輔助判斷：根據上下文，這個音更可能是哪個詞？

這個方向並非階躍獨創，業內多家都在探索 ASR 與 LLM 的融合。

但 StepAudio 3 ASR 的覆蓋面值得關注：方言、口音、中英混說、低聲耳語、快語速連讀、甚至唱歌和有背景音樂的場景都能處理。長音頻支持也不是簡單的切片-轉寫-拼接，而是端到端的完整理解，避免上下文斷裂。

這直接關係到會議紀要、視頻字幕、智能客服、車載交互、醫療記錄等一系列場景的實際可用性。

比如，我們先用 StepAudio 3 Gen 出一段機場的背景音。

再拿去讓 StepAudio 3 ASR 去聽。這其實是拿 StepAudio 3 自己考自己。

Gen 這邊，廣播腔拿捏得很準：有那種通過航站樓喇叭傳出來的壓縮感和輕微失真，不是乾乾淨淨的棚裏錄音。

ASR 這邊更見功夫，全程 40 秒的音頻裏，MU 5127、C17、C31、18 點 45 分這些字母數字混排的信息一個沒錯。

機場廣播的登機口和航班號恰恰是最容易聽錯的部分，C17 和 C31 又是在同一句話裏對照出現，轉錯一個字乘客就跑錯門了。

AI 生成的聲音能被 AI 準確聽回來，這本身就說明兩端的質量都立得住。

當 ASR 從轉寫工具進化為語音理解基礎設施，它的產業價值就完全不同了。

StepAudio 3 Realtime：從能打斷到邊聊邊想邊做

全雙工、打斷、低延遲——2026 年，這些已經是實時語音的桌面賭注。

真正拉開差距的，是另一個問題：模型在一場持續對話中，能不能同時處理理解、回應、推理和行動？

舉個例子。

你跟一個 Voice Agent 說：幫我查一下明天北京飛上海的航班，要下午的，最好是東航。

一個只做了全雙工和打斷的模型，可能先轉文字再調 API，中間一段尷尬的沉默。更糟的情況是，你開始追問時它還沒查完，系統直接卡住。

StepAudio 3 Realtime 的做法是推理與語音生成並行，工具調用和長任務異步執行。不阻塞當前對話，任務完成後自然接回上下文。同時它能感知語氣、情緒、副語言和環境聲音，不只是聽你說了什麼，還在理解你怎麼說的。

我們來個實測。

一分鐘裏，連着改了四次口——坐飛機、別太晚到、時間從周五晚放寬到周六上午、直達。

每一次都是掐在 AI 剛開口的當口打斷的。