Китайская компания StepFun представила семейство StepAudio 3 - сразу пять специализированных аудиомоделей, рассчитанных на распознавание речи, синтез голоса, голосовое взаимодействие и генерацию звука. В линейку вошли StepAudio 3 Realtime, ASR Max, TTS, Gen и Music.
Главная особенность релиза - объединение разных задач работы со звуком в одной экосистеме. StepAudio 3 Gen умеет создавать речь по текстовому описанию, проектировать голос, генерировать вокал, звуковые эффекты и музыку, а также смешивать несколько типов аудио в одном результате. Модель использует собственный аудиотокенизатор с частотой 12,5 Гц и пространством из 16×2048 остаточных кодов, что позволяет одновременно учитывать смысловую и акустическую составляющие звука.
Отдельное направление - StepAudio 3 Realtime, созданное для естественного разговора в режиме реального времени. Модель может одновременно слушать, рассуждать и говорить, сохраняя возможность реагировать на паузы, перебивания и короткие реплики собеседника. В тесте StepAudioChat она получила 73,0 балла, а на Artificial Analysis Full-Duplex Bench - 98,9. На τ-Voice показатель успешного выполнения задач составил 56,0%.
Ещё один заметный результат показала модель ASR Max: её заявленная доля ошибок распознавания слов составляет всего 1,7%. В рейтинге Artificial Analysis семейство StepAudio 3 заняло первое место в категории real-time voice на момент релиза.
StepFun позиционирует StepAudio 3 как основу для голосовых ассистентов, мультимодальных приложений и сервисов, которым требуется одновременно быстрое распознавание, генерация и обработка аудио. Доступ к моделям предоставляется через API.
Новости нейросетей
09.10.2026