开源语音大模型 Step-Audio 2 mini 发布：听清说准，自然流畅
模型概览
StepZen 公司于2025年9月1日正式发布最新开源端到端语音大模型 Step-Audio2mini。该模型在国际多项基准测试中表现卓越，达到 SOTA（State-of-the-Art）水平，实现了语音理解与音频生成的统一建模，为语音识别、跨语言翻译和情感分析等应用场景提供优秀解决方案。
核心性能表现
多模态音频理解能力
- 在 MMAU（多模态音频理解数据集）评测中，以 73.2分 位列开源语音模型榜首
- 在 URO Bench 对话能力测试中，无论是基础赛道还是专业赛道，均获得开源模型最高分
中英翻译任务表现
- CoVoST2 评测集得分：39.3分
- CVSS 评测集得分：29.1分
- 显著超越 GPT-4o Audio 及其他开源语音模型
语音识别准确率
- 中文测试集字符错误率（CER）：3.19%
- 英文测试集词错误率（WER）：3.50%
- 领先其他开源模型超过 15个百分点
技术创新亮点
架构突破
- 打破传统 ASR（自动语音识别）+ LLM（大语言模型）+ TTS（文本转语音）三层结构
- 实现从原始音频输入到语音响应输出的直接转换
- 简化架构设计，显著降低延迟
优化技术
- 引入思维链（CoT）推理与强化学习相结合的联合优化技术
- 更好理解情感、语调等副语言信息，实现自然响应
知识增强功能
- 支持音频知识增强，可通过外部工具进行在线搜索
- 有效解决传统模型的幻觉问题
- 提升模型实用性，拓展多场景应用潜力
获取方式
Step-Audio2mini 目前已登陆 GitHub 和 Hugging Face 等平台，开发者可前往体验并参与代码贡献。
