阶跃发布并开源端到端语音大模型 Step-Audio 2 mini

阶跃星辰近日正式推出其迄今为止最强大的开源端到端语音大模型——step-audio 2 mini，该模型在多项国际权威基准测试中斩获sota成绩，展现出卓越的综合性能。

这款模型创新性地将语音理解、音频推理与语音生成融为一体，在语音识别、跨语言翻译、情感分析、副语言信息解析及语音对话等多样化任务中均表现出色。尤为值得一提的是，Step-Audio 2 mini 首次实现了对语音原生 Tool Calling 能力的支持，能够通过语音指令触发外部工具调用，如实时联网搜索等操作，极大拓展了语音模型的应用边界。

用一句话概括其能力，便是：“听得清楚、想得透彻、说得自然”。

据官方介绍，Step-Audio 2 mini 在多个核心评测任务中全面领先，不仅在音频理解、语音识别、翻译和对话等场景中超越 Qwen-Omni、Kimi-Audio 等现有开源端到端语音模型，更在多数指标上优于 GPT-4o Audio。

• 在多模态音频理解基准 MMAU 上，Step-Audio 2 mini 以73.2分高居开源端到端语音模型榜首；
• 在评估口语对话能力的 URO Bench 测试中，其在基础与专业赛道均取得开源模型最佳成绩，充分展现其强大的对话理解与表达能力；
• 中英互译任务中表现尤为亮眼，在 CoVoST 2 和 CVSS-C 测试集上分别获得 39.3 和 29.1 的高分，显著优于 GPT-4o Audio 及其他开源语音模型；
• 语音识别方面，Step-Audio 2 mini 实现多语言与多方言领先，其中中文开源测试集平均 CER（字错误率）低至 3.19，英文测试集平均 WER（词错误率）为 3.50，性能领先同类开源模型超15%。

Step-Audio 2 mini 凭借一系列架构创新，真正实现了“既走脑也走心”的语音交互体验：

• 真正的端到端多模态架构：突破传统 ASR + LLM + TTS 的三段式结构，直接实现从原始音频输入到语音输出的全流程建模，结构更简洁、响应更迅速，同时能精准捕捉语调、停顿、背景音等非语音信息。

图：Step-Audio 2 mini 模型架构图

• CoT 推理与强化学习融合：首次在端到端语音模型中引入链式思维推理（Chain-of-Thought, CoT）并结合强化学习进行联合优化，使模型具备对情绪、语调、音乐等复杂音频信号进行深度推理并生成自然回应的能力；
• 音频知识增强机制：支持集成外部工具如 web 检索，有效缓解模型幻觉问题，提升事实准确性，并赋予其在开放场景下的持续扩展能力。

目前，Step-Audio 2 mini 已全面开放，开发者可通过以下平台获取模型资源：

GitHub：https://www.php.cn/link/6024f6421eb2bf25995d9dbe18504e25 Hugging Face：https://www.php.cn/link/aa826555e21b7c95a06600456effd501 ModelScope：https://www.php.cn/link/d6aa56c3cd6341dd6c3ab5757a5e103b