阶跃星辰发布Step-Audio-R1.1：全球首个开源原生语音推理模型，以96.4%准确率登顶权威榜单

💡 站外导读：在AIGC浪潮中，语音AI长期受困于“先转录后理解”的低效范式，难以捕捉实时语义和情感，限制了其在复杂场景的应用。行业亟需突破性技术，实现从语音信号到深度推理的跨越式发展。阶跃星辰推出的Step-Audio-R1.1，作为全球首个开源原生语音推理模型，直击这一核心痛点，通过端到端原生处理，在权威榜单上以96.4%的准确率登顶，标志着语音AI迈入“实时思考”的新纪元。

Step-Audio-R1.1是什么

Step-Audio-R1.1 是阶跃星辰推出的全球首个开源原生语音推理模型。模型以96.4%的准确率登顶全球权威语音推理榜单，超越众多一线模型。模型具备深度语音推理、实时响应和可扩展的链式思考能力，能在端到端处理语音时像人类一样实时思考。Step-Audio-R1.1 可用于分析复杂音频场景，如猫咪吵架或语言学习音频。Step-Audio-R1.1 的权重已上传至HuggingFace，完整的实时语音API将于2月上线，为开发者和用户提供了强大的语音处理工具。

Step-Audio-R1.1的主要功能

• 深度语音推理：模型能对复杂语音内容进行逻辑推理，理解语义和意图。
• 实时响应能力：支持端到端实时处理，低延迟响应，适合实时交互场景。
• 可扩展的链式思考（CoT）：模型能模拟人类的逐步思考过程，逐步分析语音信息。
• 多场景应用：适用多种场景，如动物叫声分析、语言学习、音频内容理解等。

Step-Audio-R1.1的技术原理

• 原生语音处理：直接处理原始音频数据，无需依赖文本转录，保留语音的时序和语义信息。
• 深度学习架构：基于先进的深度学习框架，如Transformer或其变体，通过大量音频数据训练，学习语音特征和语义。
• 端到端模型设计：从输入音频到输出结果的整个过程无需人工干预，实现高效处理。
• 注意力机制：模型用注意力机制聚焦于关键语音特征，提高推理准确性和效率。
• 实时流式推理：支持流式处理，边接收音频边进行推理，确保低延迟响应。

Step-Audio-R1.1的项目地址

• GitHub仓库：https://github.com/stepfun-ai/Step-Audio-R1
• HuggingFace模型库：https://huggingface.co/stepfun-ai/Step-Audio-R1.1

Step-Audio-R1.1的应用场景

• 智能客服与语音助手：通过深度语音推理实现复杂多轮对话，实时理解用户指令并提供精准服务。
• 智能家居控制：用户可语音控制家电设备，模型实时分析环境声音监测设备状态。
• 智能安防：模型能实时检测异常声音（如玻璃破碎、宠物异常叫声）并报警，保障环境安全。
• 教育与语言学习：分析用户发音并提供反馈，辅助口语练习与评分，提升学习效果。
• 医疗健康：分析患者声音特征辅助疾病诊断，支持语言康复训练及效果评估。