阶跃星辰发布 Step-Audio 2

背景

阶跃星辰（StepFun）是一家中国 AI 公司。Step-Audio 2 是它推出的语音模型之一，承接了早期的 Step-Audio 模型。这类语音模型既要听懂说了什么、怎么说的，也要在对话中能用语音回应。

发生了什么

2025 年 7 月 23 日，阶跃星辰发布了 Step-Audio 2 的技术报告。报告同时推出两项基准测试：StepEval-Audio-Toolcall，考察语音模型使用工具的能力；StepEval-Audio-Paralinguistic，考察模型对副语言信息（如语气和说话方式）的处理能力。^[1] 报告发布在 arXiv 上，编号为 2507.16632。^[2]

次日，即 2025 年 7 月 24 日，项目发布了演示视频。^[1] 视频让读者在阅读数字之前，先直观地看到模型的实际表现。

关键细节

开源分阶段进行。Step-Audio 2 的 mini 版和 mini Base 版于 2025 年 8 月 29 日按 Apache 2.0 许可证开源。^[1] 推理版 Step-Audio 2 mini Think 于 2025 年 9 月 15 日推出。^[1] Apache 2.0 许可证允许使用、修改和再分发，包括商用，但需保留许可声明。

报告给出的成绩包括：在 MMAU 音频理解基准上，Step-Audio 2 平均 78.0 分；在 URO-Bench 语音对话英文基础级上得分 83.90。^[1] 这些是项目公布的数字，只覆盖报告中列出的基准。

影响

从 2025 年 7 月下旬到 9 月中旬，项目在约两个月的时间里，从技术报告走到了开源的 mini 模型和推理版本。对读者来说，这次发布是语音模型如何被描述、测量和分享的一个具体例子。两项新基准为其他研究者测试语音模型的工具使用和副语言处理提供了工具，但任何基准都只衡量模型的一部分能力。^[1] 想自行判断这些说法的读者，可以从技术报告和公开的代码仓库入手。