Step-Audio 2 mini – 阶跃星辰开源的端到端语音大模型

Step-Audio 2 mini是什么

Step-Audio 2 mini 是阶跃星辰发布的开源端到端语音大模型。突破传统语音模型结构，采用真端到端多模态架构，直接将原始音频输入转化为语音响应输出，时延更低，能理解副语言信息与非人声信号。模型引入链式思维推理与强化学习联合优化，对情绪、语调等进行精细理解与回应，支持 web 检索等外部工具，有效解决幻觉问题，提升多场景扩展能力。

在性能上，Step-Audio 2 mini 在多个国际基准测试集上取得 SOTA 成绩。例如，在通用多模态音频理解测试集 MMAU 上，以 73.2 的得分位列开源端到端语音模型榜首；在衡量口语对话能力的 URO Bench 上，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，大幅领先 GPT-4o Audio 和其他开源语音模型；在语音识别任务上，取得多语言和多方言第一，领先其他开源模型 15% 以上。

Step-Audio 2 mini的主要功能

• 音频理解：能精准理解各种音频内容，包括自然声音、音乐、语音等，还能捕捉情绪、语调等副语言信息，实现对“弦外之音”的感知。