阶跃发布端到端语音大模型Step-Audio 2 mini
9月1日,阶跃星辰正式发布最强开源端到端语音大模型Step-Audio2mini。该模型在多个国际基准测试集上取得了SOTA(State-of-the-Art)成绩,将语阶跃音理解、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突出,并率先支持语音原生的Tool Calling能力,可实现联网搜索等操发布作。Step-Audio2mini被形容为“听得清楚、想得明白、说得自然”,其模型现已上线GitHub、Hugging Face等平台,供用户下载、试用并反馈。 Step-Audio2端到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卓越,综合性能超越Qwen-Omni、Kimi-Audio等所有开源端到端语音模型端语,并在大部分任务上超越GPT-4o Audio。在通用多模态音频理解测试集MMAU上,Step-Audio2mini以73.2的得分位列开源端到端语音模型榜首;在衡量口语对话能力的U音大RO Bench上,Step-Audio2mini在基础与专业赛道均拿下开源端到端语音模型最高分;在中英互译任务上,Step-Audio2mini在CoVoST2和CVSS评测集上模型分别取得39.3和29.1的分数,大幅领先GPT-4o Audio和其他开源语音模型;在语音识别任务上,Step-Audio2mini取得多语言和多方言第一,其中开源中文测试集平均CStER(字错误率)3.19,开源英语测试集平均WER(词错误率)3.50,领先其他开源模型15%以上。 Step-Audio2mini通过创新架构设计,有效解决了此前语音模型存在的ep问题,做到“走脑又走心”。它采用真端到端多模态架构,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-A信息与非人声信号。此外,Step-Audio2mini在端到端语音模型中首次引入链式思维推理(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ud并自然回应。模型还支持包括web检索等外部工具,有助于解决幻觉问题,并赋予模型在多场景扩展上的能力。 Step-Audio2mini的能力在案例中得到了生动展示。它能精准识别大自然io的声音、精湛的配音,还能实时搜索获得行业最新资讯。此外,Step-Audio2mini还能控制语速,轻松应对不同场景的对话需求。当被问及哲学难题时,Step-Audio2 2mini能将抽象问题转化为极简方法论,展现强大的逻辑推理能力。 GitHub:https://github.com/stepfun-ai/Step-Audio2 Hugging Fa mce:https://huggingface.co/stepfun-ai/Step-Audio-2-mini ModelScope:https://www.modelscope.cnin/models/stepfun-ai/Step-Audio-2-mini
- 最近发表
- 随机阅读
-
- 标签: 闻泰科技 安世半导体 荷兰政府干预 张彦茹
- Adobe 推出 AI 代理产品,助力企业数字化转型
- 标签: WearOS7 GeminiIntelligence 谷歌I/O2026 SamsungHealth
- Altman押注GPT-6记忆革命 OpenAI战略转向代理系统开发
- 小米销量首超苹果 雷军回忆七年前曾被苹果高管嘲讽
- 标签: Last War 王者荣耀 Royal Match MONOPOLY GO
- Facebook 利用 AI 增强为视障人士描述照片的能力
- 俩 AI 约会遭全网围观:再厉害的算法,也逃不了翻车
- 7.5万项仲裁来临!亚马逊:别仲裁了,起诉我们吧
- Twitter绗�簩瀛e害钀ユ敹11.9浜跨編鍏� 鍚屾瘮鎵�簭涓虹泩
- 生数科技全球上线 Vidu Q1参考生图:支持同时输入多达7张
- 云安全日报210927:红帽NodeJS软件开发平台发现重要安全漏洞,需要尽快升级
- 标签: 飞书 谢欣 Agent 养虾
- 标签: 郭美美 微博 劳斯莱斯
- 标签: 鑫森炭业 北交所IPO 多孔炭材料 活性炭
- 微软将于1月27日发布2021财年第二季度财报
- 标签: 百度文心助手 元宝 微信屏蔽 春节红包
- 2022京东全球科技探索者大会之京东云峰会官宣定档 进一步阐释“更懂产业的云”
- 云安全日报210305:IBM资产信息安全保护解决方案发现授权绕过漏洞,需要尽快升级
- 标签: 创维集团 智能家电 新能源业务 现代服务业
- 搜索
-
- 友情链接