階躍星辰 9 月 15 日發布 StepAudio 3 系列，一口氣推出五款模型：StepAudio 3 Realtime、ASR、TTS、Gen 和 Music，全數上線階躍星辰開放平台。
根據第三方評測機構 Artificial Analysis 的榜單，Realtime 在 Conversational Dynamics 這項拿下 98.9% 的綜合得分，排名第一；同一家機構的 Speech Reasoning 榜上，其語音推理準確率為 99.7%，同樣居冠。ASR 在非串流語音辨識準確度榜上詞錯率 1.7%，並列第一。
五款各司其職
分工大致如下：Realtime 負責全雙工即時對話，模型不經文字轉寫、直接在語音上做推理；ASR 把大模型的語意理解接進辨識環節，官方說法是能處理方言、中英夾雜和專業領域詞彙；TTS 做真人等級合成，除了發音要準，還得還原停頓、語氣這類副語言資訊；Gen 把人聲、音效、環境音和背景音樂放進同一個生成介面；Music 支援多輪互動式創作，還能用 ABC 記譜法直接控制旋律。
五款裡最見真章的是 Realtime 那套「原生語音推理」。傳統做法是語音轉文字、文字推理、文字再轉語音，三段拼起來，語氣、重音、情緒在第一段就流失了。跳過轉寫這一步，模型才有機會聽懂「你講得真好」到底是誇獎還是諷刺。
是否開源、怎麼計費，發布內容隻字未提。
1.7% 這個數字該怎麼看
詞錯率 1.7% 是非串流口徑下的成績，這個限定條件不能省略。非串流指的是拿到整段音訊再轉寫，模型可以前後文都看過一遍；串流則要求邊聽邊出字，只能看到已經過去的部分，錯誤率通常會高出一截。兩條賽道的數字擺在一起比較沒有意義。
「並列第一」本身也是一種訊息。它說明這個位置不是獨占的，至少還有一家模型停在同一個小數點上——非串流辨識這一項，頭部之間的差距已經細到千分位。
真正的區隔更可能落在榜單之外：方言涵蓋多少種、中英夾雜時切換得乾不乾淨、專業術語要不要額外設定。這些階躍都有提到，但沒有給出可比較的數字。
對中國團隊意味著什麼
這一年中國公開發布的語音模型密度不低。騰訊混元開源過 AuK，小米開源過多說話者辨識模型，通義的語音模型加進了工具呼叫功能。差別在於路線：開源的那幾家把權重放出來，誰都能拿去改；階躍這次五款是直接掛在自家開放平台上，按 API 呼叫，對不打算自建推理叢集的團隊門檻更低，代價是模型跑在別人的機器上。
對做語音產品的團隊來說，決定要不要接的通常是另外三件事：Realtime 的端到端延遲能壓到多少毫秒、TTS 的音色能不能自訂、Gen 生成的音效有沒有商用授權。這三項發布裡都沒寫，得等開放平台的文件。
參考來源：階躍星辰官方發布、CocoLoop、Artificial Analysis 榜單、IT之家；五款模型名稱、Conversational Dynamics 與 Speech Reasoning 的得分口徑、非串流詞錯率均以官方發布與榜單頁面為準。