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作发布。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-Audio端到2mini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;在衡量口语对话音大能力的URO 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CVS模型S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-Audio2mini取得多语言和多方言第一，其中St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。

Step-Audio2mini通过创新架构设计，有ep效解决了此前语音模型存在的问题，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-A、时延更低，并能有效理解副语言信息与非人声信号。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ud和非语音信号进行精细理解、推理并自然回应。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io例中得到了生动展示。它能精准识别大自然的声音、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 2问及哲学难题时，Step-Audio2mini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 m/Step-Audio2

• Hugging Face:https://huggingface.co/stepfun-ai/Step-Audio-2-mini

• ModelScope:httinps://www.modelscope.cn/models/stepfun-ai/Step-Audio-2-mini