StepFun推出端到端大音频语言模型

Step-Audio-AQAA是什么

Step-Audio-AQAA是StepFun团队开发的一款革命性端到端音频语言模型，专注于处理音频查询并生成音频回答（AQAA）任务。与传统依赖自动语音识别（ASR）和文本到语音（TTS）的系统不同，该模型可以直接接受音频输入并输出自然流畅的语音回答，从而简化了整个系统的架构流程，并显著降低了级联错误的发生概率。

Step-Audio-AQAA采用了先进的多模态预训练技术，结合监督微调（SFT）、直接偏好优化（DPO）和模型合并等多种训练方法。这些创新使得模型在语音情感控制、角色模仿以及复杂逻辑推理等任务中表现优异。在权威的StepEval-Audio-360基准测试中，该模型在多个关键性能指标上超越了现有的大型音频语言模型（LALM），展现出在端到端语音交互应用中的巨大潜力。

Step-Audio-AQAA的主要功能

• 直接处理音频输入：无需依赖传统的自动语音识别（ASR）和文本到语音（TTS）技术，模型可以直接从原始音频输入生成高质量的语音回答。

…