9月1日，階躍星辰正式發布最強開源端到端語音大模型 Step-Audio 2 mini，該模型在多個國際基準測試集上取得SOTA（State-of-The-Art，即當前最佳水平）成績。在技術層面，Step-Audio 2 mini采用了真正的端到端多模態架構，并將語音理解、音頻推理與生成統一建模，不僅時延更低、輸出更快，還能更加精準地理解副語言信息、非人聲信號等語音要素，顯著提升了語音人機交互的效率和智能上限。目前，Step-Audio 2 mini已經可在GitHub、Hugging Face等平臺下載并體驗。

根據測評，這款模型在音頻理解、語音識別、跨語種翻譯、情感與副語言解析、等任務中表現突出，綜合性能超越Qwen-Omni、Kimi-Audio在內的所有開源端到端語音模型，并在大部分任務上超越 GPT-4o-audio。

隨著語音交互成為人機主要交互方式，智能終端設備對語音模型的智商及情商水平提出了更高要求。Step-Audio 2 mini首創了音頻推理能力，能對情緒、語調、音樂等副語言和非語音信號進行精細理解、推理并自然回應，由此讓AI聽懂人類的“弦外之音”；同時，該模型率先支持語音原生的 Tool Calling能力，可實現聯網搜索等操作，有效解決模型幻覺問題，并讓語音模型像文本模型一樣具有更強大的知識儲備和推理能力。

在此之前，吉利發布了搭載階躍星辰端到端語音大模型的吉利銀河 M9，這是行業內端到端語音大模型首次實現量產上車。據階躍星辰相關人士介紹，自去年發布國內首個千億參數端到端語音大模型 Step-1o Audio以來，該公司持續迭代模型性能，并跟吉利、鯨魚機器人、TCL、Cyan青心意創等頭部終端廠商達成深度合作，讓語音大模型在生活場景中為消費者提供更加智能、便捷的互動體驗。

今年以來，階躍星辰已經開源了 8款性能領先的多模態模型，覆蓋語音、視頻生成、圖像編輯、3D、多模態推理等多個類別，為全球開源社區貢獻多模態力量。