摘要：今天上午，阶跃星辰正式发布开源端到端语音大模型Step-Audio 2 mini，该模型在通用多模态音频理解等多个国际基准测试集上取得SOTA成绩。
作者 | 王涵
编辑 | 漠影
智东西9月1日消息，今天上午，阶跃星辰正式发布开源端到端语音大模型Step-Audio 2 mini，该模型在通用多模态音频理解等多个国际基准测试集上取得SOTA成绩。
Step-Audio 2 mini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较好，并支持语音原生的Tool Calling能力，可实现联网搜索等操作。
一句话总结，Step-Audio 2 mini可以“听得清楚、想得明白、说得自然”。
该模型现已上线阶跃星辰开放平台、GitHub、Hugging Face、魔搭社区等平台：
体验地址：
GitHub：
Hugging Face：
魔搭社区：
一、口语对话能力第一名，拿捏方言和小语种Step-Audio 2 mini在多个关键基准测试中取得SOTA成绩，在音频理解、语音识别、翻译和对话场景中表现突出，综合性能超越Qwen-Omni、Kimi-Audio在内的开源端到端语音模型，并在大部分任务上超越GPT-4o Audio。
在不同语种的基准测试上，Step-Audio 2 mini在评价中文能力的FLEURS Chinese上取得第一名的成绩。
二、引入CoT还支持web检索，扩大语音模型的知识面过往的AI语音常被吐槽智商、情商双低。一是“没知识”，缺乏文本大模型一样的知识储备和推理能力；二是“冷冰冰”，听不懂潜台词，语气、情绪、笑声这些“弦外之音”。Step-Audio 2 mini通过创新架构设计，试图解决此类问题。
端到端多模态架构：Step-Audio 2 mini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。
CoT推理结合强化学习：Step-Audio 2 mini在端到端语音模型中首次引入链式思维推理（Chain-of-Thought，CoT）与强化学习联合优化，能对情绪、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。
音频知识增强：模型支持包括web检索等外部工具，有助于模型解决幻觉问题，并赋予模型在多场景扩展上的能力。
三、实测：可以精准识别鸟鸣和引擎声，但没分清Meta和微软智东西第一时间对Step-Audio 2 mini进行了实测。总的来说，其生成的语音真人感比较强，停顿和语气都比较自然，但是Step-Audio 2 mini在信息识别上还需要加强。
其可以选择的音色也有限，主页只可以选择男声或女声，其他条件可以在prompt中进行调整。并且在Step-Audio 2 mini的体验网页上，个人用户体验只能对话一次，次数比较有限。
此前，吉利发布了搭载阶跃星辰端到端语音大模型的吉利银河M9，这是行业内端到端语音大模型首次实现量产上车。
据阶跃星辰相关人士介绍，自去年发布国内首个千亿参数端到端语音大模型Step-1o Audio以来，阶跃星辰持续迭代模型性能，并跟吉利、鲸鱼机器人、TCL、Cyan青心意创等终端厂商达成合作，让语音大模型在生活场景中加速落地。
开源方面，今年阶跃星辰已开源8款多模态模型，覆盖语音、视频生成等领域，助力全球开源社区。
来源：新浪财经
