9月15日，阶跃发布新一代语音大模型StepAudio 3系列，一次性推出StepAudio 3 Realtime、StepAudio 3 ASR、StepAudio 3 TTS、StepAudio 3 Gen和StepAudio 3 Music五款模型，覆盖实时语音交互、语音识别、真人级语音生成和音乐创作等场景。其中多款模型在第三方AI模型评测机构Artificial Analysis榜单中位列全球第一。
相比过去主要围绕语音识别或语音生成等单项能力展开竞争，StepAudio 3将能力延伸至语音理解与生成、实时推理、任务执行和音频创作的全栈能力，让AI不仅能够“听”和“说”，也能理解声音背后的语义与情绪，并参与更完整的交互和内容生产过程。面向实时语音交互的StepAudio 3 Realtime支持原生全双工对话，可在持续交流中判断何时回应、何时等待，并处理临时打断和连续反馈，在Artificial Analysis Conversational Dynamics榜单中以98.9%的综合得分排名全球第一。
与传统实时语音模型主要追求低延迟和自然对话不同，StepAudio 3 Realtime还加入了语音推理和任务执行能力，能够同时理解语义、语气、情绪及环境声音，支持推理与语音生成并行；Tool Call和长任务可异步执行，在任务运行期间不打断当前对话，该模型在Artificial Analysis Speech Reasoning榜单中同样位列全球第一。语音识别方面，StepAudio 3 ASR将高精度识别与大语言模型的上下文理解和知识能力结合，支持中文、英文、方言、中英混说、长音频和专业领域等场景，并针对低声、快速语音、含糊连读及背景音乐等复杂输入优化，在Artificial Analysis非流式语音识别准确性榜单中WER为1.7%，并列全球第一。
语音生成方面，StepAudio 3 TTS面向真人级语音生成，在音色、语调、节奏、停顿和情绪表达之外，还能生成笑声、迟疑、重复、改口等副语言表现，采用流式生成架构实现生成与播放同时进行。StepAudio 3 Gen将人声、音效、环境声和背景音乐等原本分散的生成环节整合在一起，用户可通过自然语言描述角色、场景和剧情，一次生成包含多种声音元素的完整音频，适用于影视、动画、游戏、广播剧、有声书和短视频等内容生产场景。
面向音乐创作的StepAudio 3 Music不再局限于“一句话生成一首歌”，而是支持歌曲创作、清唱配乐、歌曲翻唱以及基于ABC记谱法的多轮交互创作，用户可通过歌词、清唱、参考歌曲等形式与模型共同完成编曲和作品迭代。目前，StepAudio 3系列五款模型均已上线阶跃星辰开放平台。