StepFun AI 发布 Step-Audio-EditX，革新音频编辑体验

快速阅读: StepFun AI 发布 Step-Audio-EditX 模型，将音频编辑简化为文本编辑，采用大边距学习提升情感和风格编辑准确性，引入 Step-Audio-Edit-Test 基准显著提升音频质量评估。

近日，StepFun AI 发布了其开源的音频编辑模型 Step-Audio-EditX。这一创新的3B参数模型将音频编辑的操作变得像文本编辑一样直接和可控。通过将音频信号的编辑任务转化为逐字的令牌操作，Step-Audio-EditX 使得表达性的语音编辑更加简便。

目前，大多数零样本文本到语音（TTS）系统在情感、风格、口音和音色的控制上存在局限。尽管这些系统可以生成自然的语音，但往往无法精确满足用户需求。过去的研究尝试通过增加额外的编码器和复杂的架构来分离这些因素，而 Step-Audio-EditX 则通过调整数据和训练目标来实现更好的控制。

Step-Audio-EditX 采用了双代码本的标记器，将语音映射为两个令牌流：一个是以16.7Hz的速率记录的语言流，另一个是以25Hz的速率记录的语义流。模型在一个包含文本和音频令牌的混合语料库上进行了训练，从而能够同时处理文本和音频令牌。

该模型的关键在于采用大边距学习方法，在后续训练阶段利用合成的大边距三元组和四元组来增强表现。通过使用约6万名说话者的高质量数据，模型在情感和风格编辑方面表现出色。此外，模型还利用人类评分和偏好数据进行强化学习，以提高语音生成的自然性和准确性。

为了评估模型的效果，研究团队引入了 Step-Audio-Edit-Test 基准，使用 Gemini2.5Pro 作为评判工具。测试结果显示，经过多轮编辑，模型在情感和说话风格的准确性上都有显著提升。此外，Step-Audio-EditX 还能有效提升其他闭源 TTS 系统的音频质量，为音频编辑研究带来了新的可能性。

论文链接：https://arxiv.org/abs/2511.03601

划重点：

– 🎤 StepFun AI 推出 Step-Audio-EditX 模型，使音频编辑更简便。

– 📈 该模型采用大边距学习，提升情感和风格编辑的准确性。

– 🔍 引入 Step-Audio-Edit-Test 基准，显著提升音频质量评估。

(以上内容均由Ai生成)