中国语音AI斩获多项全球第一

地铁急刹，金属尖叫，广播响起「请乘客注意扶稳」，人群骚动、孩子哭声、对讲机杂音一层层涌上来。你甚至能感觉到车厢在晃。这不是电影原声带，整段声音是用一句 prompt，AI 一次性生成的。

再来听一首歌。先是一段清唱，没有伴奏。然后 AI 接手，一句提示词——「一首温暖柔和的 City Pop 男声歌曲，带一点爵士和轻摇滚的感觉，氛围朦胧浪漫」——模型直接在这段清唱基础上，补齐了编曲、和声、节奏和完整制作。从干巴巴的清唱，到一首有呼吸感的完整歌曲。你能听出来这是 AI 做的吗？

过去两年，语音 AI 赛道非常热闹。Suno 刚发布 v6 系列，OpenAI 的 GPT-Realtime-2 把实时语音推理拉到 GPT-5 级别，Google 把 Gemini Live 推到 70+ 语言流式翻译。但几乎所有玩家都在比单项：语音合成比谁更像真人，语音识别比谁更准，音乐生成比谁更好听，实时对话比谁更快。然而现实中的语音需求从来不是孤立的点。一条短视频声音制作，需要配音、音效、背景音乐，可能还要先转文字做理解；Voice Agent 要跑起来，识别、生成、实时交互、推理、工具调用得同时在线；音乐创作者可能先有一段清唱，需要 AI 补上编曲和制作。这些对应的不是单个模型，而是一组能力。

这正是行业正在发生的结构性变化：当单点能力逐渐拉平，决定竞争力上限的，是谁能把理解、生成、交互和创作连成完整体系。

9 月 15 日，阶跃星辰放出 StepAudio 3 系列五款模型：TTS、Gen、Realtime、ASR 和 Music，覆盖「听、说、理解、交互、创作」全链路。这在国内音频大模型领域，是第一家以完整矩阵形态同时推出的。它反映出阶跃的判断：单项能力竞赛的窗口期正在关闭，全栈体系化能力开始成为真正的壁垒。

第三方榜单先给了答案——三个全球第一。Artificial Analysis Conversational Dynamics 榜单，StepAudio 3 Realtime 以 98.9% 综合得分全球第一，测的是对话节奏感：什么时候该接话，什么时候该等，用户插一句是想打断还是附和。Speech Reasoning 榜单，它以 99.7% 的语音推理准确率位列全球第一，考的是模型能否直接「听」懂音频并完成复杂推理，而非先转文字再想。非流式语音识别准确性榜单，StepAudio 3 ASR 的 WER 仅 1.7%，并列全球第一，意味着差不多 60 个词才错一个，接近专业速记员水准。

语音模型的基础能力正在快速成熟，但「识别准确」「声音自然」「响应够快」已不足以构成完整体验。真正拉开差距的，是模型能否接近真实人类交流：听懂语境、自然表达，并在持续对话中完成理解、回应和行动。

StepAudio 3 TTS 从「声音自然」走向「表达自然」。多数 TTS 已能把声音做得很像真人，但像的是「播音员」，字正腔圆，完美得不像在说话。真实交流是「呃」、是「就是那个」、是说到一半改口、是突然笑出来又收住。StepAudio 3 TTS 能还原笑声、迟疑、结巴、改口等副语言特征，把「音色像不像」推进到「说话方式像不像」。前代 StepAudio 2.5 TTS 已在 Artificial Analysis Speech Arena 拿下国产第一、全球前三。

StepAudio 3 ASR 从「听清」走向「听懂」。传统 ASR 只依赖声学信息，容易把「骁龙8至尊版」转成「小龙八至尊版」。StepAudio 3 ASR 把高精度声学建模和大语言模型语境理解结合，识别时调用语言模型知识辅助判断。方言、口音、中英混说、耳语、快语速、唱歌和有背景音乐的场景都能处理，长音频支持端到端完整理解。实测中，用 StepAudio 3 Gen 生成机场背景音，再让 ASR 去听，40 秒音频里「MU 5127」「C17」「C31」「18 点 45 分」等字母数字混排信息一个没错。AI 生成的声音能被 AI 准确听回来，说明两端质量都立得住。当 ASR 从转写工具进化为语音理解基础设施，产业价值完全不同。

StepAudio 3 Realtime 从「能打断」走向「边聊边想边做」。全双工、打断、低延迟已是桌面赌注，真正拉开差距的是模型能否在持续对话中同时处理理解、回应、推理和行动。它的做法是推理与语音生成并行，工具调用和长任务异步执行，不阻塞当前对话，任务完成后自然接回上下文，同时能感知语气、情绪、副语言和环境声音。实测中，一分钟内连续改口四次，每次掐在 AI 刚开口时打断，从人出声到 AI 闭嘴几乎即时，没有念完半句话的尴尬尾巴；停下后不重启话头，只确认变化的那一条；把「直达」说成「直飞」也能理解；整段下来没有擅自「预订」，规则守得很稳。