在 RTE 开发者社区，和最前沿的语音模型团队直面交流！
近日，阶跃星辰正式发布了开源端到端语音大模型 Step-Audio 2 mini，并在多个国际基准测试集上取得 SOTA 成绩。
社区邀请到了阶跃星辰语音算法负责人杨学锐，以 Ask me anything 即微信群 QA 的形式与社区伙伴们交流！ 带上你的问题，加入我们，一同探索 Voice Agent 和语音驱动的下一代人机交互界面。
时间：2025年9月1日周一晚上 20:00-21:00
地点：Voice Agent 开发者一群&二群。
有意入群的伙伴请添加微信 Creators2022，并备注「本人一句话介绍 +AMA+ 加群」入群。备注清晰的朋友优先邀请。
我们今晚群里见！
开源 SOTA：阶跃发布端到端语音大模型 Step-Audio 2 mini！
大家好，今天阶跃星辰正式发布最强开源端到端语音大模型 Step-Audio 2 mini，该模型在多个国际基准测试集上取得 SOTA 成绩。
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作。
一句话总结，Step-Audio 2 mini “听得清楚、想得明白、说得自然”。 模型现已上线 GitHub、Hugging Face 等平台，欢迎大家下载、试用并反馈。
GitHub：https://github.com/stepfun-ai/Step-Audio2
Hugging Face：https://huggingface.co/stepfun-ai/Step-Audio-2-mini
ModelScope：https://www.modelscope.cn/models/stepfun-ai/Step-Audio-2-mini
性能 SOTA
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 在内的所有开源端到端语音模型，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-Audio 2 mini 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 URO Bench 上， Step-Audio 2 mini 在基础与专业赛道均拿下开源端到端语音模型最高分，展现出优秀的对话理解与表达能力；
在中英互译任务上， Step-Audio 2 mini 优势明显，在 CoVoST 2 和 CVSS 评测集上分别取得 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-Audio 2 mini 取得多语言和多方言第一。其中开源中文测试集平均 CER（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。
论文链接：https://arxiv.org/abs/2507.16632
真端到端架构，轻松听懂 “弦外之音”
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，有效解决了此前语音模型存在的问题，做到 “走脑又走心”。
- 真端到端多模态架构：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。
图：Step-Audio 2 mini 模型架构图
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。
案例分享
下面的案例生动地展示了 Step-Audio 2 的能力。无论是大自然的声音、精湛的配音，还是实时信息搜索，它都能精确理解，展现了在处理复杂音频任务上的巨大潜力。
精准识别，听懂万物之声
Step-Audio 2 mini 像一位听力超棒的音乐家，能分清鸟叫、流水、车声和发条玩具声这四种不同的 “音符”。它甚至能听出汽车声中的 “激情”——引擎加速和呼啸而过，而不只是冷冰冰地告诉你：“这是车。”
实时搜索，随时获得行业最新资讯
聊到 OpenAI 最新动态，Step-Audio 2 mini 通过工具调用搜索，迅速挖掘出最新语音模型资讯。
语速控制，轻松拿捏
此前，我们发布了同系列满血版 Step Audio 2，现已上线阶跃 AI App。打开首页，点击右上角 “电话” 按钮，即可与模型进行实时对话，体验 “深度聆听” 和 “多音色切换” 功能。
不止对话，一起深度思考
当被问及 “爱美是自由还是枷锁” 这类哲学难题时，Step-Audio 2 mini 能将抽象问题转化为 “购物前问自己三个问题” 的极简方法论。这背后强大的逻辑推理能力，不仅能引导用户厘清思路，更能找到解决问题的具体路径。
欢迎体验
Step-Audio 2 mini 现已上线阶跃星辰开放平台，欢迎体验和反馈。
体验地址：https://realtime-console.stepfun.com
阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么
