StepAudio 3（阶跃语音模型系列）

StepAudio 3 是阶跃星辰开放平台上的语音模型系列，官方文档目前列出五个模型：StepAudio 3 Realtime（面向实时互动的全双工语音模型，支持自然打断、附和识别与话权协调，内置语音识别、语音活动检测、联网搜索与知识库检索，可用 Chat Completions 或 Realtime WebSocket API 接入）、StepAudio 3 TTS（模型 ID stepaudio-3-tts，输入文本与音频，流式超低时延合成并支持音色克隆）、StepAudio 3 Gen（用自然语言统一生成并编排人声、音效、环境音与背景音乐）、StepAudio 3 Music（歌词成歌、纯音乐、翻唱与干声智能配乐）和 StepAudio 3 ASR（ASR Max，以语言模型为语义底座）。

计费口径明确：ASR Max 2.8 元／小时，TTS 2.5 元／万字符、音色克隆 9.9 元／音色，Gen 与 Music 目前限时免费（模型名带 preview，限免结束后预览版下线并新增付费正式版），Realtime 与 Chat 版本同样限时免费。官方还给出可核验的效果口径：ASR Max 的上下文推理错误率 0.57%，比上一代 2.5 ASR 的 1.59% 降低 64.2%，覆盖 20 多个垂类专名，并能处理中英混说、方言、悄悄话、歌唱等复杂音频；Realtime 强调「边想边说」与 Voice Agent 工具调用。适合会议纪要、视频字幕、智能客服、智能硬件语音交互与有声内容生产。

• 五个模型分工：Realtime 全双工对话／TTS 流式合成／Gen 综合音频／Music 音乐／ASR Max 识别
• ASR Max 按 2.8 元／小时、TTS 按 2.5 元／万字符计费，音色克隆 9.9 元／音色
• 官方数据：ASR Max 上下文推理错误率 0.57%，较上一代降低 64.2%；Gen 与 Music 限时免费