StepAudio 3

StepAudio 3 是阶跃星辰（StepFun）推出的音频模型系列与体验中心，面向开发者、内容创作者以及需要语音交互和音频生成的团队。它覆盖实时语音对话、语音识别、语音合成、音乐生成和场景音频生成，帮助用户处理从理解声音到生成声音的多类任务。

用户可按任务进入 Realtime、Music、Gen、ASR 或 TTS 模块：上传或输入音频进行转写，用文字描述生成语音、歌曲，或包含对白、音效和环境声的完整场景，也能在实时对话中自由打断、追问，并让 Agent 调用工具推进任务。相比只提供单一识别或配音能力的工具，StepAudio 3 更强调音频理解、内容生成与实时交互的组合使用。

核心功能

全双工实时语音对话：支持自然接话、停顿、附和和打断；遇到复杂问题时可以边说边思考，并在需要时调用工具完成后续任务。

多场景音频生成：输入场景描述后，生成多角色对话、环境声、音效和背景音乐，并按照同一时间线组合成完整声音场景。

自然语言音乐创作：描述曲风、演唱方式、音色、情绪、乐器、调性和速度，生成带人声与伴奏、具有段落结构的完整歌曲。

专业语音识别：将会议、视频或专业音频转换为文字，支持中英文、方言、混合语音、长音频及噪声、快速 speech、演唱等复杂场景。

表现力语音合成与音色设计：输入文本或音频，生成带有语气、停顿、呼吸和情绪变化的语音，也可根据描述设计独特音色；流式输出适合实时应用。

适合谁

• 开发语音助手、实时客服或语音交互应用的开发者。

• 需要制作配音、歌曲、短视频声音素材的内容创作者。

• 制作游戏、互动故事和沉浸式内容的团队。

• 需要会议转写、字幕生成及专业领域语音识别的企业用户。

使用方式

1. 进入 StepAudio 3 页面，根据任务选择 Realtime、Music、Gen、ASR 或 TTS 模块。

2. 输入文字、上传音频，或直接通过语音发起对话。

3. 按需设置声音、曲风、情绪、音色或场景等描述。

4. 试听和查看生成结果，开发者也可按照 API 文档接入相关能力。