StepAudio 2.5 ASR – 阶跃星辰发布的新一代自动语音识别模型

StepAudio 2.5 ASR核心突破

• 打破传统瓶颈：传统语音识别模型受限于“自回归”机制，必须逐个识别并输出Token，效率较低。
• 并行处理优势：新架构允许模型一次性预测多个候选Token，并通过并行验证机制快速确认结果，将串行的处理过程变为并行，从而打破了效率瓶颈。

StepAudio 2.5 ASR主要亮点

1. 速度与成本的颠覆性提升

• 推理速度：提升400%，峰值速度达到500tokens/s。
• 处理时延：降低60%。
• 推理成本：直降80%。
• 实际体验：一段5分钟左右的音视频，几乎可以实现“一眨眼”的即时转写。

2. 根治长音频“失忆”难题

• 传统方案缺陷：通常采用“切片-转写-拼接”的方式处理长音频，容易导致上下文信息割裂，模型在转写后半段时可能“忘记”开头的背景信息。
• 新方案优势：模型复用了大语言模型原生的32K上下文窗口，支持一次性完整读入最长30分钟的连续音频，无需分段。在满载测试中，模型未出现随时间推移精度衰减的情况。

3. 业界领先的转写精度

• 在覆盖新闻播报、会议访谈及强噪声环境的多个中英文权威测试集上，其综合转写精度表现优异。
• 在LibriSpeech等10个权威开源测试集上的综合错误率均低于竞品。

StepAudio 2.5 ASR的应用场景

• 会议纪要与访谈转写：端到端转写长时段会议、访谈录音，保持术语一致性与上下文连贯，无需切片拼接。
• 字幕生成与媒资预处理：快速生成视频字幕，支持OGG、mp3、wav、PCM等多格式音频批量处理。
• 长音频内容归档：适用于播客、讲座、庭审等30分钟级音频的完整转写与检索入库。
• 实时语音质检：凭借低时延与高吞吐特性，适用于客服通话质检与内容合规审查场景。
• 后端系统接入：识别结果可直接接入检索、摘要、质检或归档链路，满足工业级术语一致性与稳定性要求。

StepAudio 2.5 ASR的项目地址

• 技术论文：https://stepaudiollm.github.io/step-audio-2.5-asr/model-card/
• 在线体验Demo：https://stepaudiollm.github.io/step-audio-2.5-asr/