阶跃星辰开源的 130 亿参数多模态端到端语音大模型,具备极高保真度的声音克隆与情绪表达。
模型权重与推理代码全量开源在 GitHub 与 Hugging Face,个人与商业场景均可免费离线部署
Step-Audio 是由国内头部大模型创新团队阶跃星辰(StepFun)自研并全量开源的 130 亿(13B)参数端到端语音大语言模型。Step-Audio 突破了常规模型语音与文本割裂的痛点,采用创新的统一多模态 Transformer 架构,实现了音频信号的高维特征直解与高质量合成。该模型不仅能够精准模仿任意音频输入的声音特质与方言腔调,还具备极强的情感表现力与语义韵律控制能力,支持通过文本提示词自由调控“激动”、“悲伤”、“轻声细语”等语气,是开发者自建本地私有化高逼真语音工作流的顶流基座。