---
title: "阶跃星辰StepAudio 2.5 ASR发布：500 TPS极速推理与30分钟长音频端到端转写，定义语音识别新SOTA"
url: "https://paooo.com/aigc-news/10792/"
author: "Prompt 语宙研究院"
published_at: "2026-05-25T15:38:04+08:00"
updated_at: "2026-05-24T02:29:49+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "ASR, 大语言模型, 自动语音识别, 语音转写, 阶跃星辰"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 阶跃星辰StepAudio 2.5 ASR发布：500 TPS极速推理与30分钟长音频端到端转写，定义语音识别新SOTA

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/10792/) · 作者：Prompt 语宙研究院 · 发布时间：2026-05-25

## AI 30 秒核心看点 (TL;DR)

- 首次把 MTP-5 多Token预测用于ASR，峰值推理达500 tokens/s，显著突破传统逐token生成瓶颈。
- 复用32K上下文窗口，单次可完整转写最长30分钟音频，避免切片拼接带来的上下文断裂。
- 支持OGG、mp3、wav、PCM等格式，推理成本直降80%，适合会议纪要、访谈转写与归档。

> 
                **💡 站外导读：**在会议纪要、访谈转写和内容归档场景中，传统语音识别方案常面临长音频处理需切片导致上下文断裂、转写速度慢、成本高昂等痛点。随着AI大模型技术的融合，业界正追求更高效、精准且成本可控的端到端语音识别方案。阶跃星辰发布的StepAudio 2.5 ASR模型，正是针对这些行业核心挑战，旨在重新定义语音识别的技术边界与应用体验。

            

             
                        

## StepAudio 2.5 ASR是什么

StepAudio 2.5 ASR 是阶跃星辰推出的新一代自动[语音识别](https://ai-bot.cn/ai-speech-to-text-tools/)模型，专为语音转写、会议纪要与长音频处理设计。模型采用 Audio Encoder + Linear Adapter + 4B LLM + MTP-5 架构，将多Token预测技术首次引入语音识别领域，实现500 TPS极速推理。模型支持OGG、mp3、wav、PCM等格式输入，复用32K上下文窗口，单次可端到端转写30分钟音频，彻底告别传统切片方案导致的上下文断裂问题，在速度与精度上达到业内SOTA水准。

## StepAudio 2.5 ASR的主要功能

- 
**极速语音转写**：模型推理峰值达500 tokens/s，5分钟音视频秒级完成转写。

- 
**长音频端到端识别**：复用32K上下文窗口，单次完整转写30分钟音频。

- 
**多格式音频支持**：兼容OGG、mp3、wav、PCM等常见音频格式。

- 
**中英文及方言识别**：覆盖中英主流语种，支持方言、带口音普通话及少量日语、阿拉伯语。

- 
**高吞吐解码**：基于MTP-5架构，吞吐量提升400%，推理成本降低80%。

## StepAudio 2.5 ASR的技术原理

- **整体架构设计**：模型采用 Audio Encoder + Linear Adapter + 4B LLM + MTP-5 四层堆叠架构，兼顾音频表征提取、维度对齐、语言建模与高吞吐解码。

- **音频编码层**：0.6B Transformer 音频编码器将输入音频转化为 12.5 Hz 的 audio embedding，完成原始声学信号到语义向量的初步映射。

- **维度对齐层**：Linear Adapter 负责将音频编码器输出与 LLM 隐藏维度对齐，实现跨模态特征空间的桥接与适配。

- **语言建模主干**：4B 参数 LLM 作为模型核心，承担上下文理解与自回归文本生成任务，复用原生 32K 上下文窗口实现长音频端到端建模。

- **MTP 多 Token 预测**：引入 Step 3.5 Flash 同款 MTP-5 模块，单次前向传播可额外并行预测 5 个候选 token，突破传统 ASR 逐 token 顺序生成的速度瓶颈。

## 如何使用StepAudio 2.5 ASR

- 
**在线体验**：访问阶跃星辰体验中心 https://www.stepfun.com/studio/audio?tab=speech-recognition，上传音频进行在线转写。

- 
**API接入**：前往阶跃星辰开放平台 https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-asr 或 Step Plan 官网 https://platform.stepfun.com/docs/zh/step-plan/integrations/audio-api ，查看API文档，获取模型标识与示例代码。

- 
**Demo页面**：访问Demo页面 https://stepaudiollm.github.io/step-audio-2.5-asr/ ，查看公开示例与效果展示。

- 
**开发者接入**：通过程序化调用ASR API，将识别结果接入检索、摘要、质检或归档链路。

## StepAudio 2.5 ASR的关键信息和使用要求

- **发布主体**：由阶跃星辰（StepFun）正式发布，已全量上线阶跃星辰开放平台与 Step Plan。

- **模型架构**：采用 Audio Encoder（0.6B）+ Linear Adapter + 4B LLM + MTP-5 四层架构，整体参数规模约 4.6B。

- **推理性能**：峰值达 500 tokens/s，吞吐量提升 400%，时延降低 60%，推理成本直降 80%。

- **上下文能力**：复用 LLM 原生 32K 上下文窗口，单次可端到端完整转写最长 30 分钟音频，无需切片拼接。

- **支持格式**：OGG、mp3、wav、PCM 等常见音频格式。

- **语言覆盖**：中英文为主，支持方言、带口音普通话，以及少量日语和阿拉伯语。

- **评测成绩**：在中文（AISHELL、Wenet、FLEURS-zh）、英文（LibriSpeech、Common Voice、VoxPopuli）及长音频多项权威基准上均达 SOTA 水平。

- **训练数据**：预训练使用千万小时量级语音音频数据；ASR 专项训练包含 10 万小时高质量短音频（最长 30 秒）与 5 万小时长音频（最长 30 分钟）。

- **接入渠道**：开发者可通过阶跃星辰开放平台 API 或 Step Plan 集成；普通用户可前往体验中心在线试用，或访问 Demo Page 查看效果展示。

## StepAudio 2.5 ASR的核心优势

- **速度突破**：率先将大语言模型推理加速技术引入语音识别领域，推理峰值达 500 tokens/s，吞吐量提升 400%。

- **成本优势**：推理时延降低 60%，推理成本直降 80%，以更低算力实现更高转写上限。

- **精度领先**：在中文、英文及长音频多项权威评测基准上均达 SOTA 水平，综合错误率行业最低。

- **长文稳定**：复用 32K 原生上下文窗口，单次端到端转写 30 分钟音频，精度无衰减，彻底告别切片拼接导致的上下文断裂。

- **架构创新**：基于 ASR+MTP-5 深度融合架构，通过多 Token 并行预测与验证机制突破传统逐 token 自回归生成的速度瓶颈。

- **场景覆盖**：支持 OGG、mp3、wav、PCM 等多格式输入，覆盖中英主流语种及方言、带口音普通话等复杂声学场景。

## StepAudio 2.5 ASR的项目地址

- **技术论文**：https://stepaudiollm.github.io/step-audio-2.5-asr/model-card/

- **在线体验Demo**：https://stepaudiollm.github.io/step-audio-2.5-asr/

## StepAudio 2.5 ASR的同类竞品对比

对比维度
StepAudio 2.5 ASR
[Qwen3 ASR](https://ai-bot.cn/qwen3-asr/)
Doubao-ASR-2603

模型架构
Audio Encoder+4B LLM+MTP-5
未公开
未公开

推理速度
500 TPS，吞吐量提升400%
标准自回归
标准自回归

中文平均CER
2.97%
3.17%
3.34%

英文平均WER
3.68%
3.85%
6.67%

长音频WER
3.70%
4.20%
6.11%

最大上下文
32K（30分钟端到端）
未明确
未明确

成本优化
推理成本降低80%
无
无

## StepAudio 2.5 ASR的应用场景

- **会议纪要与访谈转写**：端到端转写长时段会议、访谈录音，保持术语一致性与上下文连贯，无需切片拼接。

- **字幕生成与媒资预处理**：快速生成视频字幕，支持 OGG、mp3、wav、PCM 等多格式音频批量处理。

- **长音频内容归档**：适用于播客、讲座、庭审等 30 分钟级音频的完整转写与检索入库。

- **实时语音质检**：凭借低时延与高吞吐特性，适用于客服通话质检与内容合规审查场景。

- **后端系统接入**：识别结果可直接接入检索、摘要、质检或归档链路，满足工业级术语一致性与稳定性要求。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                StepAudio 2.5 ASR的发布，标志着大语言模型（LLM）的推理加速技术正系统性地重塑传统语音识别（ASR）赛道。其核心亮点不仅在于高达500 TPS的峰值速度，更在于通过MTP-5多Token预测架构，从算法层面突破了自回归生成的速度瓶颈，这为整个AIGC工具链的实时化、低成本化提供了范式参考。从行业趋势看，将LLM的强大语言建模能力与专用音频编码器结合，是解决长程依赖、上下文连贯性问题的最优路径之一。阶跃星辰此举，直接将ASR的“战场”从简单的短句转写，拉升至30分钟级长音频的端到端处理能力，这将对会议、客服质检、媒资管理等工业级应用产生深远影响。其显著的推理成本降幅，也预示着高质量AI语音服务的普惠化加速。这不仅是单一模型的升级，更是‘LLM+X’多模态融合架构在垂直领域成功落地的又一力证。

## 常见问题解答 (FAQ)

### StepAudio 2.5 ASR支持多长音频转写？
支持复用LLM原生32K上下文窗口，单次可端到端完整转写最长30分钟音频，无需切片拼接，适合会议纪要、访谈和长录音归档等场景。

### StepAudio 2.5 ASR为什么转写更快？
它采用 Audio Encoder + Linear Adapter + 4B LLM + MTP-5 架构，并将多Token预测引入ASR，单次前向可并行预测5个候选token，峰值推理达500 tokens/s。

### StepAudio 2.5 ASR适合哪些使用场景？
适合会议纪要、语音转写、内容归档、质检和检索等场景；支持OGG、mp3、wav、PCM等格式，中英文为主，也覆盖方言、带口音普通话及少量日语、阿拉伯语。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
