阶跃星辰联合吉利开源 Step-Video-T2V 与 Step-Audio

背景 阶跃星辰（StepFun）是一家专注多模态大模型的中国 AI 公司。吉利汽车是一家汽车企业。两家公司于 2025 年 2 月联合发布了模型^[3]。

发生了什么 2025 年 2 月，阶跃星辰与吉利汽车联合开源了两款多模态模型：Step-Video-T2V 和 Step-Audio^[3]。2025 年 2 月 17 日，阶跃星辰发布了 Step-Video-T2V 的权重、推理代码、Turbo 版本和技术报告^[1]。

关键细节 Step-Video-T2V 拥有 300 亿参数，可生成最多 204 帧的视频^[1]。它采用 MIT 许可证发布^[1]。

同一天，阶跃星辰发布了 Step-Audio。发布内容包括 1300 亿参数的 Step-Audio-Chat，以及 Step-Audio-TTS-3B 和 Step-Audio-Tokenizer^[2]。TTS 即文本转语音，所以 Step-Audio-TTS-3B 的作用是把书面文字转换为语音。

公司还发布了两套评测集：用于语音的 StepEval-Audio-360，和用于视频的 Step-Video-T2V-Eval^[1][2]。评测集是一组标准化的测试题，用于比较模型的表现。

影响 这次发布是阶跃星辰与吉利汽车的联合开源。视频生成模型和语音模型在同一天向公众开放，两者都附有技术报告和评测集。

几个术语 文生视频是指根据一段文字描述生成短视频。Turbo 版本是经过调整、可用更少步数运行的版本。步数减少后，生成每段视频所需的时间更短，通常会在一定程度上影响画质。

MIT 许可证允许什么 MIT 许可证是一种宽松的开源许可证。它允许使用、复制、修改和再分发软件，包括用于商业目的，只需保留原始版权声明。对于视频模型，开发者可以在这一许可证条款下，基于发布的权重开发产品。