5月9日，全球權威語音評測榜單Artificial Analysis Speech Arena Leaderboard更新。階躍語音生成模型StepAudio 2.5 TTS躋身全球前三，成為當前榜單排名最高的中國大模型。

這個榜單的測試方式很有意思：用戶不知道模型身份，直接對同一文本生成的兩段語音進行聽感判斷。測試覆蓋客戶服務、知識分享、數(shù)字助手、娛樂等真實場景。換句話說，StepAudio 2.5 TTS的領先不是實驗室參數(shù)好看，而是真人聽下來覺得更自然、更像真人說話。

階躍近期集中發(fā)布了StepAudio 2.5系列，包括三款模型：

1. TTS：高自然度語音生成
2. ASR：高速高精度語音識別
3. Realtime：實時語音交互，主打"活人感"的AI聊天體驗

其中Realtime模型昨日剛上線，強調頂級副語言能力、千萬人設自定義，以及"有溫度、有靈魂、有態(tài)度"的交互體驗。

AI語音被業(yè)內視為人機交互的核心入口，OpenAI、Google等巨頭都在重金投入。階躍在這個賽道布局已久：開源的Step Audio R1.1已連續(xù)4個月霸榜Artificial Analysis Speech Reasoning，目前仍是全球第一；開源的Step Audio EditX是全球首個迭代式情緒風格語音編輯模型，屬于zero-shot TTS，僅用3秒復刻的音色就能打敗不少閉源模型的主音色；在Artificial Analysis Speech Arena Leaderboard開源榜上，階躍目前位列全球第二。

商業(yè)化層面，階躍語音模型已實現(xiàn)規(guī)?；涞亍４钶d吉利銀河M9，階躍率先實現(xiàn)端到端語音大模型量產上車；為整車智能體超級Eva提供語音交互能力，首發(fā)搭載極氪8X也已量產上市。