阶跃发布Step-Audio 2 mini，端到端语音大模型再升级

快速阅读: 9月1日，阶跃星辰发布最强开源端到端语音大模型Step-Audio2mini，在多个国际基准测试中取得SOTA成绩，支持语音原生Tool Calling，现已上线GitHub等平台。

9月1日，阶跃星辰正式发布最强开源端到端语音大模型Step-Audio2mini。该模型在多个国际基准测试中取得SOTA成绩，将语音理解、音频推理与生成统一建模，在音频理解、语音识别、跨语种翻译、情感与副语言解析、语音对话等任务中表现出色，并率先支持语音原生的Tool Calling能力，可实现联网搜索等操作。Step-Audio2mini被誉为“听得清楚、想得明白、说得自然”，现已上线GitHub、Hugging Face等平台，供用户下载、试用并反馈。

Step-Audio2mini在多个关键基准测试中取得SOTA成绩，综合性能超越Qwen-Omni、Kimi-Audio等所有开源端到端语音模型，并在大部分任务上超越GPT-4o Audio。在通用多模态音频理解测试集MMAU上，Step-Audio2mini以73.2分位列开源端到端语音模型榜首；在衡量口语对话能力的URO Bench上，Step-Audio2mini在基础与专业赛道均取得最高分；在中英互译任务上，Step-Audio2mini在CoVoST2和CVSS评测集上分别取得39.3和29.1分，大幅领先GPT-4o Audio和其他开源语音模型；在语音识别任务上，Step-Audio2mini在多语言和多方言测试中排名第一，其中开源中文测试集平均CER为3.19，开源英语测试集平均WER为3.50，领先其他开源模型15%以上。

Step-Audio2mini通过创新架构设计，有效解决了此前语音模型存在的问题，做到“走脑又走心”。该模型采用真端到端多模态架构，突破传统ASR+LLM+TTS三级结构，实现原始音频输入到语音响应输出的直接转换，架构更简洁、时延更低，并能有效理解副语言信息与非人声信号。此外，Step-Audio2mini首次在端到端语音模型中引入链式思维推理（CoT）与强化学习联合优化，能够对情绪、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。模型还支持包括Web检索在内的外部工具，有助于解决幻觉问题，并赋予模型在多场景扩展上的能力。

Step-Audio2mini的能力在实际应用中得到生动展示。它可以精准识别大自然的声音、精湛的配音，还能实时搜索获取行业最新资讯。此外，Step-Audio2mini还能控制语速，轻松应对不同场景的对话需求。当面对哲学难题时，Step-Audio2mini能将抽象问题转化为极简方法论，展现强大的逻辑推理能力。

(以上内容均由Ai生成)