阶跃星辰开源模型Step-Audio-R1.1，拿下全球第一！

大模型评测榜单 Artificial Analysis Speech Reasoning 更新，阶跃星辰原生语音推理模型 Step-Audio-R1.1 登顶榜首。

该榜单是目前业界评估“原生语音模型”（Native Audio Models）最权威的第三方基准之一。核心考量模型直接处理音频并进行复杂逻辑推理的能力，主要考察维度包括准确率、首包延迟等。

和大语言模型同理，语音模型同样需要具备强大推理能力，才能提供更高阶智能、更自然交互。

Step-Audio-R1.1 以 96.4% 准确率，超越 Grok、Gemini、GPT-Realtime 等主流一线模型，刷新历史最好成绩。

在性能与速度的综合权衡上，Step-Audio-R1.1 全面领先同类语音模型。

Step-Audio-R1 是由阶跃星辰发布的全球首个开源原生语音推理模型。它可以在不增加额外时延的情况下，端到端理解语音内容，“像人类一样听到对话即可思考”。

核心能力包括：

• 深度语音推理
• 实时响应能力
• 音频领域的可扩展 CoT

Step-Audio-R1.1 是最新升级版本，兼顾更强实时对话和复杂语音推理能力。与传统流式语音模型以牺牲智能性换取低延迟不同，R1.1 支持“边说边思考”（thinking while speaking），在不牺牲速度的前提下实现高智能水平。完整的实时语音 API 将在 2 月上线，目前开放的chat模式已搭载 R1.1 核心，支持边想边说的流式推理。

• 案例一：分析猫猫吵架

📎分析猫猫吵架.mp4

根据提供的所有音频片段，这两只猫咪正在进行激烈的打斗和嘶吼。

 

可以从以下几点判断：

1、声音特征：音频中充满了持续、高亢且充满攻击性的猫叫和嘶吼声。这并非普通猫咪之间玩耍的打闹声，而是带有明显威胁和对抗意味的咆哮。

2、互动状态：可以听到不止一只猫的声音，它们的叫声此起彼伏，表明它们正在直接对抗。

3、人类干预：在音频的后半部分，可以清晰地听到有人在用中文劝阻：“别骂了”“别打了”，这直接说明了当时的情况是两只猫正在激烈争斗，甚至可能已经造成了伤害或噪音过大，导致主人不得不介入制止。

综上所述，这两只猫咪正在发生激烈的打斗，可能是由于领地争端、资源竞争（如食物或主人关注）或其他冲突引发的。

 

• 案例二：理解海豹舞BGM韩语歌词

（最近抖音上很火的海豹舞，魔性BGM本来是一位外国友人在反复练习韩语词汇）

📎理解海豹舞BGM韩语歌词.mp4

 

我对说话人正在进行的活动分析如下：

这位说话人正在进行韩语口语发音练习或朗读训练。具体分析依据如下：内容重复性高：她反复念诵着结构相似的词组，

例如：

메기메긴하다 / 메기메긴한(Megi-megi-n ha-da / Megi-megi-n han)

这种高度重复的模式是典型的语言学习或发音练习特征，而非自然对话。总结来说，音频中的说话人并非在进行日常交流，而是在一个结构化的、有明确目的的口语训练场景中。

她通过快速、重复地朗读设计好的词组，来练习韩语的特定发音技巧或语法点，最可能的身份是语言学习者或从事声音相关工作的专业人士。

 

目前，Step-Audio-R1.1 权重已上传至ModelScope，并可在ModelScope创空间体验试玩：

• 模型：https://modelscope.cn/models/stepfun-ai/Step-Audio-R1.1
• 体验：https://modelscope.cn/studios/stepfun-ai/Step-Audio-R1

GitHub地址：

https://github.com/stepfun-ai/Step-Audio-R1

同时，欢迎大家下载体验或前往「阶跃星辰开放平台体验中心」试玩！

https://www.stepfun.com/studio/audio?tab=conversation

 

1月19日（周一） ，Step-Audio-R1.1 核心作者、阶跃星辰多模态大模型研究员 田飞将通过直播为大家带来该工作的深度技术解析，来预约，别错过！

 

点击直达模型体验～

https://modelscope.cn/studios/stepfun-ai/Step-Audio-R1