# 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。

## 推荐理由

阶跃星辰发布 StepAudio 2.5 实时语音模型，除语音转文字外还捕捉语气、语速、停顿等副语言信息，并支持通过 API 设定人格与说话风格。

## 锐评

副语言感知这个方向对，但官方推文里一个延迟数字都没有，语音模型最要命的就是这个。能听出语气和停顿，如果首字响应还是七八百毫秒，那点人味儿全被卡顿吃掉了。一万种人格听着多，实际就是 prompt 模板，API 里塞几段人设文本的事，算不上壁垒。真做语音 agent 的，先等第三方测出端到端延迟和每路并发成本，再决定要不要接。
