📖 AI 总结

阶跃于9月15日发布StepAudio 3系列语音大模型，一次性推出Realtime、ASR、TTS、Gen和Music五款模型，覆盖实时交互、语音识别、语音生成与音乐创作。其核心突破在于将语音理解、实时推理、任务执行与音频创作整合为全栈能力，而非局限于单项识别或生成。Realtime模型支持原生全双工对话，可判断回应与等待时机、处理打断，并实现推理与生成并行及异步Tool Call，在Artificial Analysis Conversational Dynamics和Speech Reasoning两项榜单均位列全球第一，综合得分98.9%。ASR模型词错误率为1.7%，并列全球第一。TTS支持副语言表现与流式生成，Gen可一次生成包含人声、音效与环境声的完整音频，Music则支持多轮交互创作。五款模型均已上线开放平台，标志着语音大模型竞争从单项能力转向全栈融合。