---
title: "Step-Audio-AQAA：突破ASR/TTS瓶颈！StepFun推出端到端音频语言模型，重塑人机语音交互"
url: "https://paooo.com/aigc-news/14554/"
author: "Prompt 语宙研究院"
published_at: "2026-06-26T19:12:22+08:00"
updated_at: "2026-06-07T20:24:16+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "Step-Audio-AQAA, StepFun, 端到端语音大模型, 语音交互, 音频语言模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Step-Audio-AQAA：突破ASR/TTS瓶颈！StepFun推出端到端音频语言模型，重塑人机语音交互

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14554/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-26

## AI 30 秒核心看点 (TL;DR)

- 端到端 AQAA 直接音频输入、音频输出，减少 ASR/TTS 带来的转写错误与延迟。
- 支持情感语调、语速、音色、方言与多语言控制，强化拟人化语音交互体验。
- 在 StepEval-Audio-360 上多项关键维度超越现有 LALM，验证了端到端语音模型潜力。

> 
                **💡 站外导读：**传统语音交互系统常受限于ASR转写错误与TTS合成不自然，导致体验割裂、延迟高。StepFun团队最新推出的Step-Audio-AQAA模型，以“音频进，音频出”的端到端范式，直面这一行业痛点。它省去了中间文本模块，大幅简化架构，旨在实现更流畅、情感更丰富、意图更精准的语音对话，为智能助手、情感陪伴、多语言客服等场景开辟了新路径。

            

             
                        

## Step-Audio-AQAA是什么

Step-Audio-AQAA 是 StepFun 团队推出的端到端大型音频语言模型，专门用于音频查询-音频回答（AQAA）任务。能直接处理音频输入生成自然、准确的语音回答，无需依赖传统的自动语音识别（ASR）和文本到语音（TTS）模块，简化了系统架构并消除了级联错误。Step-Audio-AQAA 的训练过程包括多模态预训练、监督微调（SFT）、直接偏好优化（DPO）以及模型合并。通过这些方法，模型在语音情感控制、角色扮演、逻辑推理等复杂任务中表现出色。在 StepEval-Audio-360 基准测试中，Step-Audio-AQAA 在多个关键维度上超越了现有的 LALM 模型，展现了在端到端语音交互中的强大潜力。

## Step-Audio-AQAA的主要功能

- 
**直接处理音频输入**：能直接从原始音频输入生成语音回答，无需依赖传统的自动语音识别（ASR）和文本到语音（TTS）模块。

- 
**无缝语音交互**：支持从语音到语音的交互，用户可以用语音提问，模型直接以语音回答，提升交互的自然性和流畅性。

- 
**情感语调调整**：支持在句子级别调整语音的情感语调，例如表达高兴、悲伤或严肃等情绪。

- 
**语速控制**：用户可以根据需要调整语音回答的速度，使其更符合场景需求。

- 
**音色和音调控制**：能根据用户指令调整语音的音色和音调，适应不同的角色或场景。

- 
**多语言交互**：支持中文、英语、日语等多种语言，满足不同用户的语言需求。

- 
**方言支持**：涵盖中文的四川话、粤语等方言，提升模型在特定地区的适用性。

- 
**语音情感控制**：能根据上下文和用户指令，生成带有特定情感的语音回答。

- 
**角色扮演**：支持在对话中扮演特定角色，例如客服、教师、朋友等，生成符合角色特征的语音回答。

- 
**逻辑推理和知识问答**：能处理复杂的逻辑推理任务和知识问答，生成准确的语音回答。

- 
**高质量语音输出**：通过神经声码器生成高保真、自然流畅的语音波形，提升用户体验。

- 
**语音连贯性**：在长句或段落生成中保持语音的连贯性和一致性，避免语音断续或突变。

- 
**文本与语音交错输出**：支持文本和语音的交错输出，用户可以根据需要选择语音或文本回答。

- 
**多模态输入理解**：能理解包含语音和文本的混合输入，生成相应的语音回答。

## Step-Audio-AQAA的技术原理

- 
**双码本音频分词器**：将输入音频信号转换为结构化的标记序列。包含两个分词器：语言分词器提取语音的音素和语言属性，以 16.7 Hz 的频率采样，码本大小为 1024；语义分词器捕捉语音的声学特征，如情感和语调，以 25 Hz 的频率采样，码本大小为 4096。能更好地捕捉语音中的复杂信息。

- 
**骨干 LLM**：使用预训练的 1300 亿参数多模态 LLM（Step-Omni），预训练数据涵盖文本、语音和图像三种模态。将双码本音频标记嵌入到统一的向量空间中，通过多个 Transformer 块进行深度语义理解和特征提取。

- 
**神经声码器**：将生成的音频标记合成为自然、高质量的语音波形。采用 U-Net 架构，结合 ResNet-1D 层和 Transformer 块，能高效地将离散的音频标记转换为连续的语音波形。

## Step-Audio-AQAA的项目地址

- **HuggingFace模型库**：https://huggingface.co/stepfun-ai/Step-Audio-AQAA

- **arXiv技术论文**：https://arxiv.org/pdf/2506.08967

## Step-Audio-AQAA的应用场景

- **情感陪伴机器人**：根据用户的情绪自动调节回应语气，提供情感支持和陪伴。

- **多语言智能客服**：直接处理方言语音查询，支持多种语言（如中文、英语、日语等）。

- **游戏 NPC 交互**：实时生成带情绪变化的语音反馈。在单轮对话中实现情感、语速的动态切换。

- **智能语音助手**：支持语音查询和语音回答，提供实时信息查询、日程提醒等服务。

- **教育与娱乐**：用于教育场景中的语音教学、故事创作、诗歌朗诵等。能根据用户需求灵活切换语音或文本回答。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                Step-Audio-AQAA的发布，标志着语音大模型正从“文本中心”向“音频原生”范式跃迁。其核心价值不仅在于技术架构的简化，更在于它打通了从语义理解到声学生成的全链路，使模型能端到端地优化“语气”、“情感”和“副语言特征”，这是实现真正拟人化交互的关键。结合其对多种方言和情感控制的支持，我们看到AI正从“能听会说”向“善解人意”深度演进。这将对消费级语音助手、虚拟陪伴及无障碍交互等领域产生深远影响，并可能催生以语音为第一界面的全新应用生态。

## 常见问题解答 (FAQ)

### Step-Audio-AQAA 和传统语音助手有什么区别？
传统语音助手通常依赖 ASR 转写再由 TTS 合成，容易出现级联错误和体验割裂。Step-Audio-AQAA 采用端到端 AQAA 范式，直接从音频生成音频回答，更流畅，也更利于保留情感、语气和副语言特征。

### Step-Audio-AQAA 支持哪些语音控制能力？
文章提到它支持情感语调、语速、音色和音调控制，还支持角色扮演、多语言交互以及中文方言如四川话、粤语等，适合更细腻的人机语音对话场景。

### Step-Audio-AQAA 适合哪些应用场景？
适合情感陪伴机器人、多语言智能客服、游戏 NPC 交互、智能语音助手，以及教育与娱乐等场景，尤其适合需要实时、自然、带情绪表达的语音交互任务。

---
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/)
