微信关注，了解更多 4 月 24 日，国产 AI 语音领域迎来里程碑时刻 —— 阶跃星辰正式发布新一代自动语音识别模型StepAudio 2.5 ASR。这款模型首次将大语言模型（LLM）的推理加速技术跨界移植到语音识别赛道，一举实现推理速度提升 400%、时延降低 60%、成本下降 80% 的三重突破，同时在中英文权威测试集上拿下多项 SOTA（业内最高水平），更支持 30 分钟超长音频一次性完整转写。从会议实时转写到媒体内容处理，从语音交互到输入法场景，StepAudio 2.5 ASR 以 “速度 + 精度 + 低成本 + 长文本” 的全维优势，彻底打破传统语音识别的效率瓶颈，为国产语音 AI 规模化商用按下加速键。
架构革命：LLM 加速技术跨界，从 “逐字等” 到 “批量算”
长期以来，传统语音识别模型受限于自回归生成机制，只能逐 Token（词元）顺序输出结果，就像 “一个工人流水线逐件加工产品”，速度慢、时延高、成本贵，尤其在长音频处理和实时交互场景中痛点突出。而阶跃星辰 StepAudio 2.5 ASR 的核心突破，在于全球首创 ASR+MTP-5 深度融合架构，把 LLM 领域成熟的多 Token 预测（MTP）技术成功移植到语音识别领域，实现了从 “串行低效” 到 “并行高效” 的范式革命。
简单来说，MTP-5 技术就像把 “单人流水线” 升级为 “多人并行车间”：模型不再逐个等待 Token 输出，而是能一次性预测 5 个候选 Token，再通过并行验证机制快速筛选最优结果，同步完成多个词元的推理与校验。这种架构革新直接打破传统自回归机制的效率枷锁，让语音识别的推理逻辑从 “猜一个、等一个” 变成 “打包预测、并行验证”，算力利用率呈指数级提升。
实测数据见证架构升级的硬核实力：
- 推理速度提升 400%
，峰值达到500 tokens / 秒，行业顶尖水平； - 端到端时延降低 60%
，实时交互体验实现质的飞跃； - 推理成本下降 80%
，定价低至0.15 元 / 小时，仅为上代产品的 1/10； - 5 分钟音视频即时转写
，曾经需要数分钟等待的任务，如今秒级完成。
这场跨界技术移植，不仅是语音识别领域的首次尝试，更验证了 “LLM 技术反哺语音赛道” 的可行性，为全球语音 AI 技术演进提供了全新思路。
精度封神：多场景 SOTA+30 分钟长音频，告别 “切片失真”
速度狂飙的同时，StepAudio 2.5 ASR 在转写精度上毫不妥协，真正做到 “又快又准”。官方测试结果显示，该模型在覆盖新闻播报、会议访谈、强噪声环境的中英文权威测试集上，综合转写精度达到业内 SOTA 水准，在嘈杂环境、口音混杂、专业术语密集等复杂场景中，识别准确率全面超越上代模型及行业主流产品。
1. 全场景适配，复杂环境精准识别
- 新闻播报场景
：标准发音、语速平稳，转写准确率接近 99%，标点符号自动还原精准； - 会议访谈场景
：多人交替发言、口语化表达多、背景杂音干扰，识别准确率超 95%，支持说话人自动区分； - 强噪声环境
：户外嘈杂、地铁通勤、餐厅交谈等场景，抗干扰能力大幅提升，识别稳定性远超行业平均水平。
2. 30 分钟超长音频一次性转写，彻底告别 “切片拼接” 痛点
传统语音识别处理长音频时，普遍采用 “切片 – 转写 – 拼接” 的方案，不仅操作繁琐，还容易导致上下文断裂、语义丢失、后段精度衰减等问题。StepAudio 2.5 ASR 复用 LLM 原生的32K 上下文窗口，支持单次完整转写最长 30 分钟的音频，无需切片、无缝衔接、语义连贯，完美适配长时间会议、课程录音、播客节目等场景。
实测显示，一段 25 分钟的企业会议录音，StepAudio 2.5 ASR 可一次性完整转写，无上下文断裂、无语义偏差，准确率稳定保持在 94% 以上，而传统切片方案不仅耗时增加 3 倍，准确率还会下降 5%-8%。
场景全覆盖：从企业服务到消费端，规模化商用全面落地
凭借 “高速 + 高精度 + 低成本 + 长音频” 的四大核心优势，StepAudio 2.5 ASR 精准覆盖会议转写、语音交互、输入法、媒体内容处理、长音频识别五大核心场景，既能满足企业级高并发、高精度需求，也能适配消费端低成本、实时性要求，开启语音 AI 规模化商用新时代。
1. 会议转写：企业高效办公刚需
支持多人实时会议转写、双语混合识别、专业术语库定制，5 分钟会议内容秒级出稿，30 分钟长会议一次性完整转写，自动生成带标点、分 speaker 的会议纪要，大幅提升企业办公效率，已适配钉钉会议、腾讯会议等主流平台。
2. 语音交互：智能设备体验升级
在智能音箱、车载语音、智能家居等场景中，低时延（降低 60%）+ 高响应速度（500 tokens / 秒），实现 “话音刚落、结果即出” 的自然交互，告别卡顿延迟，同时强噪声环境下识别精准，适配车载、户外等复杂使用场景。
3. 输入法：极速语音输入，解放双手
移动端语音输入法场景中，推理速度提升 400%，长句输入无卡顿，中英文混合、方言识别精准，成本下降 80% 让输入法厂商可免费向用户开放高清语音转写功能，大幅提升用户输入效率。
4. 媒体内容处理：音频视频高效归档
适配播客、短视频、直播回放、有声书等媒体内容，快速完成音频转文字、字幕生成、内容摘要、关键词提取，5 分钟音视频即时转写，助力媒体平台高效完成内容审核、归档、二次创作，降低运营成本。
行业格局重塑：国产语音 AI 跻身全球第一梯队
近年来，全球语音识别赛道竞争白热化，海外有 OpenAI Whisper、NVIDIA Parakeet 等标杆产品，国内阿里 Fun-ASR、百度文心语音、科大讯飞等玩家持续发力。而 StepAudio 2.5 ASR 的发布，标志着国产语音 AI 正式跻身全球第一梯队，在核心技术、性能指标、商用成本三大维度实现对海外产品的全面超越。
1. 技术壁垒突破：从 “跟随” 到 “引领”
此前，国产语音模型多在海外技术框架下优化迭代，而 StepAudio 2.5 ASR 首创 ASR+MTP-5 融合架构，实现技术路线自主可控，更将 LLM 加速技术跨界应用，为全球语音 AI 发展提供 “中国方案”。
2. 性能全面领先：速度、精度、成本三维碾压
对比海外主流产品：Whisper 精度高但速度慢、成本高；Parakeet 速度快但长音频支持不足、噪声鲁棒性差；而 StepAudio 2.5 ASR 同时实现速度 400% 提升、SOTA 精度、80% 成本下降、30 分钟长音频支持，综合性能全球顶尖。
对比国内竞品：阿里 Fun-ASR 主打多语言方言覆盖，但推理速度和长音频支持弱于 StepAudio 2.5 ASR；科大讯飞在语音交互端侧优势明显，但云端推理成本高、速度慢。
3. 普惠商用落地：低成本加速行业渗透
推理成本下降 80%、定价 0.15 元 / 小时，让语音识别技术从 “高端企业专属” 走向 “全行业普惠”，中小企业、开发者、个人用户都能低成本接入顶级语音 AI 能力，推动语音交互在千行百业的深度渗透。
结语：语音 AI 新时代，国产力量定义未来
StepAudio 2.5 ASR 的发布，绝非一次普通的产品升级，而是国产语音 AI 技术的里程碑式突破，更是全球语音识别赛道格局重塑的关键信号。从架构革新到性能狂飙，从精度突破到普惠商用，阶跃星辰用硬核实力证明：中国 AI 企业不仅能在大语言模型、多模态领域与海外巨头抗衡，更能在语音识别这一垂直赛道实现弯道超车、全球引领。
未来，随着技术持续迭代，语音 AI 将进一步向更低时延、更高精度、更强多模态融合、更广端侧部署方向演进，深度融入办公、家居、车载、媒体、教育等场景，彻底改变人机交互方式。而以阶跃星辰为代表的国产语音 AI 力量，将继续以技术创新为核心，打破海外技术垄断，构建自主可控的语音 AI 产业生态，在全球 AI 竞争中抢占更多话语权，让 “中国声音” 被世界精准听见。
图源网络，侵删
未经允许不得转载：物联网的那些事 - Totiot » 速度狂飙 400%+ 多项 SOTA！阶跃星辰 StepAudio 2.5 ASR 重新定义语音识别天花板
