Step-Audio 是什么
Step-Audio 是阶跃星辰（StepFun）的语音模型家族，覆盖语音识别、语音对话、语音合成和音频内容生成等任务。家族的公开形态有两种：一部分模型以开源方式发布在 GitHub 与 Hugging Face；另一些新模型通过官方博客和技术报告发布。官方博客有 Step-Audio 3 Realtime 页面，开源代码集中在 GitHub 的 stepfun-ai 组织下。
家族沿革与开源情况
- Step-Audio（2025 年 2 月）：2025 年 2 月 17 日，阶跃星辰开源了第一代 Step-Audio，官方仓库称其为“首个生产可用的开源智能语音交互框架”，包含基于 1300 亿参数文本模型 Step-1 的 Step-Audio-Chat 和 3B 参数的 Step-Audio-TTS-3B，覆盖多语言对话、方言、情感、语速调节和语音克隆等能力；代码以 Apache 2.0 许可发布。该仓库现已停止维护，指向后续系列。
- Step-Audio 2（2025 年）：技术报告于 2025 年 7 月 23 日发布；8 月 29 日，Step-Audio 2 mini 与 mini Base 以 Apache 2.0 许可开源，定位是端到端多模态大模型，面向工业级音频理解与语音对话，支持情感推理、工具调用与多模态 RAG；9 月 15 日又发布了 mini Think 变体。
- Step-Audio 3（2026 年 9 月）：阶跃星辰在官方博客发布 Step-Audio 3 Realtime 页面；技术报告显示，StepAudio 3 Realtime（2026 年 9 月 12 日提交 arXiv）是面向实时语音交互的音频语言基础模型，围绕“听—说—想—做”的循环设计，支持全双工对话、边说边想的推理机制和执行工具的 Voice Agent；同期还有 StepAudio 3 Gen（统一音频生成）与 StepAudio 3 Music（长篇幅音乐生成）的技术报告。各模型当前的发布形态与获取方式以官方博客和 stepfun-ai 组织页面为准。
节目中的讨论
Weekly #003 的“用 GPT-6 Astra 造数据、训练小模型”章节临近结尾时，歸藏播报了阶跃发布三个语音模型的消息，提到实时交互的 StepAudio 3 Realtime、StepAudio 3 ASR Max，以及完整的音频内容生成。这是节目对新发布消息的转述，其中 ASR Max 的具体信息以阶跃星辰官方发布为准；同章节的主体内容是另一场关于用大模型造数据的讨论。
常见问题
Step-Audio 是谁开发的？
Step-Audio 是阶跃星辰（StepFun）开发的语音模型家族，品牌与公司背景见 StepFun 条目。
Step-Audio 开源吗？
家族里有一部分模型开源过：2025 年 2 月的第一代 Step-Audio 和 2025 年 8 月的 Step-Audio 2 mini 系列均以 Apache 2.0 许可发布代码与权重。并非家族中每个模型都有开源仓库，新模型的发布形态以官方页面为准。
Step-Audio 的 GitHub 仓库在哪里？
开源代码在 GitHub 的 stepfun-ai 组织下，其中 Step-Audio2 仓库提供模型说明、部署脚本和演示；第一代 Step-Audio 仓库保留作历史参考，已指向后续系列。
Step-Audio 3 Realtime 是什么？
Step-Audio 3 Realtime 是阶跃星辰面向实时语音交互的音频语言基础模型。官方博客与技术报告（2026 年 9 月提交 arXiv）描述它支持全双工对话、边说边想的推理和异步工具执行的 Voice Agent。详细指标见 StepAudio 3 Realtime 技术报告。