地铁急刹，金属尖叫，广播响起请乘客注意扶稳，人群骚动、孩子哭声、对讲机杂音一层层涌上来···

你甚至能感觉到车厢在晃。

这不是电影原声带。整段声音是用一句 prompt，AI 一次性生成的。

再来听一首歌。先是一段清唱，没有伴奏，就是一个人对着麦克风干唱：

然后，AI 接手了。一句提示词——

一首温暖柔和的 City Pop 男声歌曲，带一点爵士和轻摇滚的感觉，氛围朦胧浪漫

模型直接在这段清唱的基础上，补齐了编曲、和声、节奏和完整制作：

从一段干巴巴的清唱，到一首有呼吸感的完整歌曲。你能听出来这是 AI 做的吗？

说实话，我第一次听的时候也没分出来。

音频大模型，开始比体系了

过去两年，语音 AI 赛道非常热闹。

Suno 两天前刚发布了 v6 系列，OpenAI 的 GPT-Realtime-2 今年把实时语音推理能力拉到了 GPT-5 级别，Google 在 I/O 上把 Gemini Live 推到 70+ 语言的流式翻译。

但有一个现象值得注意：几乎所有玩家，都在比单项。

做语音合成的比谁说话更像真人，做语音识别的比谁听写更准，做音乐的比谁生成的歌更好听，做实时对话的比谁反应更快。

然而现实世界里的语音需求，从来不是一个孤立的点。

一条短视频的声音制作，需要角色配音、环境音效、背景音乐，可能还需要先把素材里的人声转成文字做理解。

Voice Agent 要跑起来，语音识别、语音生成、实时交互、推理、工具调用得同时在线。一个音乐创作者做一首歌，可能先有一段清唱，需要 AI 补上编曲、和声和制作。

这些场景对应的不是一个模型，而是一组能力。

这正是行业正在发生的一个结构性变化：当单点能力逐渐拉平，决定竞争力上限的，变成了谁能把理解、生成、交互和创作连成一套完整的体系。

9 月 15 日，阶跃星辰一口气放出了 StepAudio 3 系列五款模型：StepAudio 3 TTS（语音生成）、StepAudio 3 Gen（完整音频生成）、StepAudio 3 Realtime（实时语音交互）、StepAudio 3 ASR（语音识别）和 StepAudio 3 Music（音乐创作）。

五条产品线，覆盖听、说、理解、交互、创作全链路。这在国内音频大模型领域，是第一家以完整矩阵形态同时推出的。

它反映出阶跃对语音 AI 竞争走向的一个判断：单项能力竞赛的窗口期正在关闭，全栈体系化能力开始成为真正的壁垒。

不过话说回来，全栈的前提是每一条腿都得站得住。

这一点，第三方榜单先给了答案——三个全球第一。

Artificial Analysis Conversational Dynamics 榜单，StepAudio 3 Realtime 以 98.9% 的综合得分，全球第一。

这个榜单测的是对话节奏感：什么时候该接话，什么时候该等你说完，用户突然插一句是想打断还是只在附和。这恰恰是实时语音里最像人也最难的部分——不是听懂和回答，而是知道该不该现在开口。

Artificial Analysis Speech Reasoning 榜单，StepAudio 3 Realtime 以 99.7% 的语音推理准确率，位列全球第一。

这张榜考的是模型能不能直接听懂音频并完成复杂推理任务，而不是先老老实实转成文字再去想。它是业内评估原生语音模型最权威的第三方基准之一。

Artificial Analysis 非流式语音识别准确性榜单，StepAudio 3 ASR 的 WER（词错误率）仅 1.7%，并列全球第一。

WER 这个指标很朴素：每转写 100 个词错几个。1.7% 意味着差不多 60 个词才错一个，已经接近专业速记员的水准。

榜单说完了。接下来的部分，我们不看分数，只看这些模型在真实场景里到底是什么表现。

像人一样交流

语音模型的基础能力正在快速成熟。

但识别准确、声音自然、响应够快这些单点指标，已经不足以构成完整体验。

真正拉开差距的，是模型能否接近真实人类交流的状态：听懂语境、自然表达，并在持续对话中完成理解、回应和行动。

StepAudio 3 TTS：从声音自然到表达自然

市面上大多数 TTS 模型已经能把声音做得很像真人了。

但仔细听会发现，它们像的是播音员。字正腔圆，完美得不像在说话，更像在朗读。

真实的人类交流不是这样的。是呃、是就是那个、是说到一半改口、是突然笑出来又赶紧收住。

来听一段 StepAudio 3 TTS 生成的语音：

我最近就特别纠结，就是要不要换工作这个事。呃，现在这家吧，钱少，但是离家近嘛，走路十分钟。新的那个 offer 呢，给得多，多个，多个四千吧大概，但通勤单程要一个半小时。我妈说钱重要，我朋友说命重要，我就，唉，怎么说呢，天天睡前想这事，越想越睡不着。

注意那些细节：就特别纠结里带着微妙的叹气，多个，多个四千的口语化重复完全自然，说到命重要时语气微微上扬，紧接着的唉里满是无奈。

这些不是预设的情绪标签，而是模型根据语义自主判断出来的表达方式。

再来一段：

你不老说通勤无聊吗，我给你安利个播客，就，讲那种，呃，讲历史八卦的。主播俩人特逗，一集大概，嗯，一个小时吧，正好我来回路上听。我这两个月，就，就靠它撑着了。你搜那个名字我回头发你，反正免费的。

这段语音里的就，就靠它撑着了，两个就之间有一个几乎无意识的停顿，完全是人在组织语言时的自然节奏。

目前行业里大部分 TTS 模型处理这类口语化表达时，要么直接忽略重复词，要么机械地念两遍，很难做到这种「不完美但真实」的语感还原。

从技术层面看，StepAudio 3 TTS 在音色基底、语调层次、节奏律动和气口停顿上全面贴合自然口语模式，并能还原笑声、迟疑、结巴、改口等副语言特征。

前代 StepAudio 2.5 TTS 已经在全球权威的 Artificial Analysis Speech Arena 拿下国产第一、全球前三。

StepAudio 3 TTS 在这个基底上再往前推了一步，把音色像不像转移到了说话方式像不像。

StepAudio 3 ASR：从听清到听懂

语音识别看起来已经很成熟了。但 AI听清和听懂之间，隔着一条鸿沟。

你说骁龙8至尊版，它给你转成小龙八至尊版。你说张靓颖，它给你写成张亮影。

问题的根源在于，传统 ASR 只依赖声学信息——它在意听到了什么音，而不是说的是什么意思。

StepAudio 3 ASR 的思路是把高精度声学建模和大语言模型的语境理解结合在一起。

识别语音时，模型不只做音-字对应，还会调用语言模型的知识和推理能力辅助判断：根据上下文，这个音更可能是哪个词？

这个方向并非阶跃独创，业内多家都在探索 ASR 与 LLM 的融合。

但 StepAudio 3 ASR 的覆盖面值得关注：方言、口音、中英混说、低声耳语、快语速连读、甚至唱歌和有背景音乐的场景都能处理。长音频支持也不是简单的切片-转写-拼接，而是端到端的完整理解，避免上下文断裂。

这直接关系到会议纪要、视频字幕、智能客服、车载交互、医疗记录等一系列场景的实际可用性。

比如，我们先用 StepAudio 3 Gen 出一段机场的背景音。

再拿去让 StepAudio 3 ASR 去听。这其实是拿 StepAudio 3 自己考自己。

Gen 这边，广播腔拿捏得很准：有那种通过航站楼喇叭传出来的压缩感和轻微失真，不是干干净净的棚里录音。

ASR 这边更见功夫，全程 40 秒的音频里，MU 5127、C17、C31、18 点 45 分这些字母数字混排的信息一个没错。

机场广播的登机口和航班号恰恰是最容易听错的部分，C17 和 C31 又是在同一句话里对照出现，转错一个字乘客就跑错门了。

AI 生成的声音能被 AI 准确听回来，这本身就说明两端的质量都立得住。

当 ASR 从转写工具进化为语音理解基础设施，它的产业价值就完全不同了。

StepAudio 3 Realtime：从能打断到边聊边想边做

全双工、打断、低延迟——2026 年，这些已经是实时语音的桌面赌注。

真正拉开差距的，是另一个问题：模型在一场持续对话中，能不能同时处理理解、回应、推理和行动？

举个例子。

你跟一个 Voice Agent 说：帮我查一下明天北京飞上海的航班，要下午的，最好是东航。

一个只做了全双工和打断的模型，可能先转文字再调 API，中间一段尴尬的沉默。更糟的情况是，你开始追问时它还没查完，系统直接卡住。

StepAudio 3 Realtime 的做法是推理与语音生成并行，工具调用和长任务异步执行。不阻塞当前对话，任务完成后自然接回上下文。同时它能感知语气、情绪、副语言和环境声音，不只是听你说了什么，还在理解你怎么说的。

我们来个实测。

一分钟里，连着改了四次口——坐飞机、别太晚到、时间从周五晚放宽到周六上午、直达。

每一次都是掐在 AI 刚开口的当口打断的。