智东西
作者 | 佳扬
编辑 | 云鹏
智东西4月24日报道，阶跃星辰今日发布新一代自动语音识别模型StepAudio 2.5 ASR。
该模型面向语音转写与长音频处理场景，在架构上引入Multi-Token Prediction（多Token预测）以提升推理效率，并通过扩展上下文窗口强化长内容识别能力。
官方数据显示，其推理速度提升约400%，时延降低60%，推理峰值达500tokens/s，成本下降80%，并在多项公开测试集中取得较低错误率。
精度方面，阶跃星辰称StepAudio 2.5 ASR在多项主流评测基准上达到业内领先水平；在效率上，约5分钟音视频可在较短时间内完成转写，支持最长30分钟音频的一次性完整转写。
定价方面，StepAudio 2.5 ASR为0.15元/小时，仅为上代Step ASR 2的1/10。
不过，在实际测试中，模型对不同音频输入的适应性存在差异：部分上传音频未能成功识别，而在实时录音场景下表现较为稳定，整体转写准确度较高。
一、不同模式下语音识别效果存在差异
官方演示场景下，面对大段连续口述内容，StepAudio 2.5 ASR可实现长时间连贯输出，在识别过程中保持文本还原稳定、语义完整，长音频转写质量表现均衡。
与此同时，模型具备更强的复杂语境适配能力，针对日常高频的中英混杂表达以及绕口令这类发音紧凑、咬字复杂的特殊语句场景，均能稳定完成精准识别与完整转写，抗干扰能力与语言包容性进一步提升。
阶跃星辰官方演示
我们也依托阶跃星辰在线体验平台开展了实测，选取张雪峰高考志愿填报课程录音作为测试素材，着重检验该模型在长音频场景下的实际识别能力。
该模式主要面向会议纪要整理、采访录音转写、课程内容归档、语音备忘提取及客服录音质检等场景，支持 WAV、MP3、OGG、PCM 等主流音频格式，单文件大小不超过20MB，同时支持中文、英文及中英混合识别。
不过，在多次上传该音频后，系统均提示未检测到清晰语音，未能完成有效转写，相关原因尚不明确。
随后，我们改用现场录音进行测试。该模式主要面向快速语音备忘、现场会议纪要、口述转写及语音笔记等场景，支持中文、英文及中英混合识别，单次录音时长上限为2分钟。
识别结果如下：
在这一场景下，模型能够完成正常识别，整体转写结果较为准确，对口语内容的还原度较高。细节上，模型在说话人出现较长停顿时，会自动插入额外的逗号；同时算法完整保留了日常口语中的自然重复、口头复述等表达特征，还原了原始说话的语言状态。
二、Multi-Token Prediction优化推理效率
StepAudio 2.5 ASR将Multi-Token Prediction技术引入语音识别赛道，沿用Step 3.5 Flash同款技术方案，依托Audio Encoder+Linear Adapter+LLM+MTP-5融合架构，打破传统串行输出限制。
该模型可单次预判多组候选Token，并结合并行验证机制快速输出识别结果，从底层架构优化推理效率。
官方实测数据显示，相较传统识别方案，该模型推理速度提升400%，整体时延压缩60%，推理运行成本下降80%，峰值推理速率可达500 tokens/s，大幅提升音视频转写的实时性与性价比。
推理效率方面，阶跃星辰官方数据显示，StepAudio 2.5 ASR高于Qwen3 ASR(1.7B)、FunASR-Nano、Doubao-ASR-2603。
长音频处理是语音识别的长期行业痛点。目前主流方案多采用音频切片、分段识别、后期拼接的处理模式，切割后的片段相互独立，易造成上下文信息割裂，长时长内容识别时易出现语义断层、信息遗忘等问题。
对此，StepAudio 2.5 ASR复用LLM原生32K上下文窗口能力，支持端到端一次性处理最长30分钟的连续音频，无需分段切割，全程保留完整上下文关联，保障长时段对话、会议、访谈等场景的识别连贯性。
识别精度层面，该模型在多组权威公开数据集当中表现稳定。在LibriSpeech clean/other等五组主流英文开源测试集里，词错误率优于同期同类模型，能够以更低算力消耗实现更高质量的转写效果。
针对30分钟满负荷长音频开展专项测试，模型识别精度始终维持在行业顶尖水平，未出现长文本识别常见的精度逐级衰减问题，长时序内容识别稳定性显著提升。
结语：关键指标提升，真实场景仍是考场
整体来看，StepAudio 2.5 ASR的改进主要集中在推理效率与长上下文建模能力上，这也是当前语音识别系统的关键指标。
但从实测情况来看，其在不同音频输入条件下的稳定性仍有提升空间，尤其是在复杂或非标准音频的适配能力方面，仍有待更多实际场景与第三方评测进一步验证。
泓川证券提示：文章来自网络，不代表本站观点。
