StepAudio 3 发布五款语音模型
StepAudio 3 是阶跃星辰于 2026 年 9 月发布的语音大模型系列，包含 Realtime、ASR、TTS、Gen 与 Music 五款，多款在 Artificial Analysis 榜单位列全球第一，均已上线阶跃星辰开放平台。
系列定位从单点能力竞争转向完整的内容理解、实时交互与音频创作，让模型真正理解声音、组织声音并参与创作流程。
三项全球第一的评测成绩
StepAudio 3 Realtime 以 98.9% 综合得分居 Artificial Analysis Conversational Dynamics 榜单全球第一，该榜单考核暂停处理、话轮转换、打断处理等对话节奏能力。
同一模型以 99.7% 语音推理准确率位列 Speech Reasoning 榜单全球第一，StepAudio 3 ASR 在非流式语音识别榜单词错误率仅 1.7%，并列第一。
对比 Qwen Audio 3.0 Realtime Plus 和 StepAudio 3 Realtime 的区别，前者以 98.4% 居对话动态榜第二，StepAudio 3 Realtime 以 98.9% 领先并在语音推理榜同步登顶。
| 榜单 | StepAudio 3 | 第二名 |
|---|---|---|
| Conversational Dynamics | 98.9% 第一 | Qwen Audio 3.0 Realtime Plus 98.4% |
| Speech Reasoning | 99.7% 第一 | Qwen Audio 3.0 Realtime Plus 99.2% |
| 非流式 ASR 词错误率 | 1.7% 并列第一 | Fun-Realtime-ASR-preview |
五款模型的分工
- Realtime 模型，原生全双工实时对话，推理与语音生成并行，工具调用异步执行
- ASR 模型，中英方言混说与专业领域识别，适配医疗、法律、金融等场景
- TTS 模型，真人级语音生成，可还原笑声、迟疑、结巴等副语言表现
- Gen 模型，一段描述统一生成人声、音效、环境音与背景音乐
- Music 模型，支持 ABC 记谱法多轮交互创作与清唱配乐
对比传统音频制作链路和 StepAudio 3 Gen 的区别，前者需配音、音效、配乐分别制作再混音，Gen 将多环节压缩到一次生成，可作为独立配音与配乐工具的替代方案。
五款模型均为在线服务，权重未在 github.com 公开，也未采用 MIT 或 Apache 协议，API 与体验入口见阶跃星辰开放平台。
常见问题
问，StepAudio 3 是什么？
阶跃星辰 2026 年 9 月发布的语音大模型系列，涵盖 Realtime、ASR、TTS、Gen、Music 五款，多项 Artificial Analysis 评测位列全球第一。
问，如何使用 StepAudio 3？
五款模型均已上线阶跃星辰开放平台，提供 API 接入与语音体验中心，开发者按 TTS、Gen、Realtime、ASR、Music 分场景接入。
问，对比 Qwen Audio 和 StepAudio 3 的区别是什么？
对比 Qwen Audio 3.0 Realtime Plus 和 StepAudio 3 Realtime 的区别，后者以 98.9% 对 98.4% 居对话动态榜第一，语音推理榜 99.7% 同步登顶，Qwen 系列两项均列第二。
问，StepAudio 3 是否开源？
未开源，五款模型为在线服务，权重未在 github.com 公开，也未采用 MIT 或 Apache 协议，通过开放平台 API 调用。
来源说明
本文来源，阶跃StepFun《阶跃发布语音大模型StepAudio 3，拿下多个全球第一！》https://mp.weixin.qq.com/s/HV4tnHjdzboG4lYilq68ag。
发布说明，文章基于官方公告整理，最后更新 2026 年 9 月，更新日志口径为 v2026.9.16。
