阶跃星辰发布StepAudio 3系列，一次性推出Realtime、ASR、TTS、Gen、Music五款模型，把语音从“听清、念出”扩到实时对话、专业转写、音频制作和音乐生成全链路。
PChome 9月15日消息，阶跃星辰发布StepAudio 3系列，一次性推出Realtime、ASR、TTS、Gen、Music五款模型，把语音从“听清、念出”扩到实时对话、专业转写、音频制作和音乐生成全链路。多款模型在Artificial Analysis相关榜单登顶，是其本次最硬的成绩单。
实时交互是重点。StepAudio 3 Realtime走原生全双工，不只在用户插话时停一下再答，而是同步处理语义、语气、情绪、副语言和环境声；借助“边说边想”与异步工具调用，推理、语音输出和长任务互不阻塞。其在Conversational Dynamics综合得分98.9%，Speech Reasoning语音推理准确率99.7%，均列全球第一。
识别侧，StepAudio 3 ASR把声学模型与大模型上下文打通，覆盖中英文、方言、中英混说、长音频，以及医疗、法律、金融、汽车、编程等垂直场景；对低声、快语速、连读、背景音乐也有针对性优化。非流式准确性榜单WER仅1.7%，并列第一。
生成侧同样不再单点化：TTS补笑声、迟疑、改口等自然停顿，适配低延迟对话；Gen用统一音频表示做人人声、音效、环境声和配乐编排；Music支持自然语言定曲风、节奏、乐器结构，也能基于ABC记谱法多轮改稿。
对行业而言，StepAudio 3的信号不是“又多一个语音模型”，而是把识别、对话、配音、音效、作曲放进一套工作流。实时语音助手、播客短剧批量生产、会议和专业转写，都可能因此重新比拼交付成本与拟人度。
