# 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

- Link: https://paooo.com/aigc-news/10792/
- Published: 2026-05-25T15:38:04+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [StepAudio 2.5 ASR是什么](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e6%98%af%e4%bb%80%e4%b9%88)
 * [StepAudio 2.5 ASR的主要功能](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [StepAudio 2.5 ASR的技术原理](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [如何使用StepAudio 2.5 ASR](https://paooo.com/aigc-news/10792/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8stepaudio-25-asr)
 * [StepAudio 2.5 ASR的关键信息和使用要求](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e5%85%b3%e9%94%ae%e4%bf%a1%e6%81%af%e5%92%8c%e4%bd%bf%e7%94%a8%e8%a6%81%e6%b1%82)
 * [StepAudio 2.5 ASR的核心优势](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [StepAudio 2.5 ASR的项目地址](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [StepAudio 2.5 ASR的同类竞品对比](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [StepAudio 2.5 ASR的应用场景](https://paooo.com/aigc-news/10792/#stepaudio-25-asr%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/10792/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![StepAudio 2.5 ASR](https://paooo.com/wp-content/uploads/2026/05/StepAudio-2.5-
ASR-website-1.avif)

## 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](https://paooo.com/aigc-news/)
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。

🔬 语宙深潜追问 · 进阶实操拆解

多Token预测为何适合语音识别？

它能把语音解码从逐帧生成变成并行预测，显著提升吞吐。真正落地时要重点验证长音频下
的错字率、断句稳定性和流式输出抖动，否则速度上去了，业务可用性未必跟得上。

30分钟端到端转写如何避免后处理崩盘？

关键是分段策略、上下文记忆和标点恢复要一体设计。生产里最好加入说话人分离、热词注入
和异常回滚机制，并对长音频做分布外测试，防止前半段正确、后半段漂移。

🗳️ 读者观点微投票 · 您的实战立场是？

ASR冲到500 TPS后，长音频转写还该优先什么？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

 * [阿里达摩院FunAudio-ASR端到端语音大模型：RAG+CTC技术破解幻觉难题，企业级语音识别新标杆](https://paooo.com/aigc-news/13735/)
 * [Step-Audio 2 mini：阶跃星辰开源端到端语音模型，多项SOTA性能解读](https://paooo.com/aigc-news/13891/)
 * [Step-Audio – 阶跃星辰开源的语音交互模型](https://paooo.com/aigc-news/21911/)
 * [告别 ASR+LLM+TTS 拼装时代！ElevenLabs 重磅开源 Eleven Realtime 语音 Agent：单模型全双工 0.57s 极速直出与 98.8% 推理实测全景拆解](https://paooo.com/ai-tool/40265/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/10792/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
