近日，阶跃星辰正式推出了最新的开源端到端语音大模型 ——Step-Audio2mini。这款模型在多个国际基准测试中表现优异，获得了 SOTA（最先进技术）成绩，令人瞩目。Step-Audio2mini 不仅在语音理解和音频生成方面能力强大，还首次将音频推理和生成统一建模，为语音识别、跨语言翻译和情感解析等多种应用场景提供了出色的解决方案。
Step-Audio2mini 的特点之一是其卓越的多模态音频理解能力。在 MMAU（多模态音频理解测试集）上，该模型以73.2的得分稳居开源语音模型的榜首。在口语对话能力的 URO Bench 测试中，无论基础赛道还是专业赛道，Step-Audio2mini 都取得了开源模型中的最高分，展现出其出色的对话理解与表达能力。
在中英互译任务中，Step-Audio2mini 也表现不俗。在 CoVoST2和 CVSS 评测集上，分别获得了39.3和29.1的高分，明显超越了 GPT-4o Audio 和其他开源语音模型。此外，该模型在语音识别方面同样出类拔萃，在开源中文测试集上的字错误率（CER）为3.19，在开源英语测试集上的词错误率(WER)为3.50，领先其他开源模型超过15%。
Step-Audio2mini 的成功离不开其创新的架构设计。该模型打破了传统的 ASR（自动语音识别）、LLM(大语言模型)和 TTS(文本转语音)的三级结构，实现了从原始音频输入到语音响应输出的直接转换，简化了架构，降低了延迟。此外，模型还引入了链式思维推理(CoT)与强化学习的联合优化技术，使其能够更好地理解情绪、语调等副语言信息，并自然地作出反应。
值得一提的是，Step-Audio2mini 还支持音频知识增强功能，能够利用外部工具进行联网搜索，解决了传统模型中的幻觉问题。这一创新不仅提升了模型的实用性，还扩展了其在多种场景中的应用潜力。
声明：本文来自AI新闻资讯，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。
