# 阶跃星辰发了 StepAudio 2.5 实时语音模型，能听懂语气、停顿和情绪，还支持自定义人格

> 原标题：StepAudio 2.5实时语音发布：副语言感知与人格化交互

- 来源：AI HOT 精选
- 发布时间：2026-05-23T21:45:21.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/26314
- 原文：https://x.com/StepFun_ai/status/2058303294544425197

## 摘要

这个模型不只是把语音转成文字再回复，它会捕捉你说话时的语气、语速、停顿甚至微表情这些“副语言”信息，让对话更自然。你可以通过 API 给它设定人格、背景故事和说话风格，官方说原生人格选项超过一万种，组合起来能有数百万种特征。产品内置了 5 个预设人格可以直接试，并且用 RLHF（基于人类反馈的强化学习）做了调优，在复杂的角色扮演压力测试里也能保持人设不...

## 推荐理由

我会先打个折：这是官方推文，没给延迟、定价、基准测试和实际铺开范围，所以只能当个中等体量的产品更新来看。亮点在于副语言感知——就是能听懂语气、停顿、笑声这些非文字信号，再配上可调的人格，对想做出有“人味儿”的语音助手团队来说，确实是个值得跟的信号。但没实测数据之前，先别太激动。

## 锐评

StepAudio 2.5 主打的是“听懂你怎么说”，不只是“你说了什么”。它声称能捕捉语气、语速、停顿甚至微表情，这比传统语音助手多了一层副语言理解，理论上能让对话更自然。人格化是另一个卖点：通过 API 可以设定角色的背景故事和说话风格，官方说原生人格选项超过一万种，组合起来能有数百万种特征，还内置了 5 个预设人格可以直接试。用 RLHF 做调优，在角色扮演压力测试里保持人设不崩，这点听起来不错，但正文没披露测试的具体设置和失败率，也没说延迟多少、单次调用成本多少。实时语音模型最怕的就是响应慢和幻觉崩人设，这两项没数据就很难判断实际可用性。另外，微表情捕捉是怎么实现的、需要什么硬件支持，正文也没提。我会先打个折，等看到 API 文档和实测延迟再判断它是不是真能进生产环境。