StepAudio 2.5 TTS：盲测全球前三，中国语音模型第一次站上这个位置
2026 年 5 月 9 日，阶跃星辰（StepFun）的 StepAudio 2.5 TTS 在 Artificial Analysis 语音竞技场盲测中拿到 Elo 1187 分，全球第三，排在中国所有 TTS 模型之前。第一名是 Inworld Realtime TTS 1.5 Max（1208），第二名是 Google Gemini 3.1 Flash TTS（1206）。ElevenLabs Eleven v3 被挤到了第四。这件事的意义不在排名本身——而在于它指向了 TTS 竞争的核心变量正在从「谁的声音最多」转向「谁能控制语音的语境」。
先说结论：盲测，真人耳朵，第三名
Artificial Analysis Speech Arena 的机制很简单：
- 给你同一段文字，两个匿名模型各生成一段语音
- 你听了之后选哪个更自然
- 至少听 3 秒才能投票
- 胜者加分，败者减分——和国际象棋的 Elo 评级一样
截至 2026 年 5 月，这个竞技场收了 75 个模型，跑了数千轮对比。覆盖四个场景：客户服务、知识分享、数字助手、娱乐。覆盖两种口音：美式英语、英式英语。
StepAudio 2.5 TTS 的成绩单：
| 排名 | 模型 | 创建者 | Elo 分 |
|---|---|---|---|
| 1 | Realtime TTS 1.5 Max | Inworld | 1208 |
| 2 | Gemini 3.1 Flash TTS | 1206 | |
| 3 | StepAudio 2.5 TTS | StepFun | 1187 |
| 4 | Eleven v3 | ElevenLabs | 1178 |
| 5 | Inworld TTS 1 Max | Inworld | 1164 |
一个中国团队的 TTS 模型，在英文为主的盲测里拿到全球第三——这件事放在一年前几乎不可想象。
StepAudio 2.5 到底做了什么不一样的事
StepAudio 2.5 的定位是 Contextual TTS——语境感知语音合成。2026 年 4 月 16 日发布。
传统的 TTS 是「念文本」：你给文字，它出声音。情感靠标签控制——开心、悲伤、愤怒，就这几个选项。听起来像播音员念稿子，不像人在说话。
StepAudio 2.5 做了一件不同的事：用自然语言描述语境，替代传统标签体系。
它有三种核心控制能力：
1. 全局语境控制（Global Context）
给整段语音定基调，用自然语言写就行。不是选标签，是写描述。
举个例子——同样是「悲伤」：
传统标签： emotion = "sad"
StepAudio 2.5： "克制的悲伤、没有哭腔、轻轻发颤"这完全不是同一个粒度的控制。
2. 文中语境控制（Inline Context）
在文本里用圆括号 () 插入句内指令，逐句精控情绪、语气、节奏、停顿、呼吸感、重音。
"你好(温柔地)，我等了很久(轻微叹气，声音低沉)，你终于来了(带着一丝笑意)。"每一句话的情绪走向，都能单独控制。
3. 零样本音色复刻
3 秒参考音频，就能克隆任意音色。复刻后的音色完整继承上述所有语境控制能力。
价格：9.9 元/音色。
技术架构：三个值得注意的设计
双档语境编码器
把「全局语境」和「文中语境」分开编码，通过注意力机制融合到语音生成模块里。
┌────────────────────────────────────────────────────┐
│ │
│ "克制的悲伤、没有哭腔" "(轻轻发颤)" │
│ │ │ │
│ ┌────▼────┐ ┌────▼────┐ │
│ │全局语境 │ │文中语境 │ │
│ │编码器 │ │编码器 │ │
│ └────┬────┘ └────┬────┘ │
│ │ │ │
│ └────────┬───────────────┘ │
│ │ │
│ ┌──────▼──────┐ │
│ │ 注意力融合 │ │
│ └──────┬──────┘ │
│ │ │
│ ┌──────▼──────┐ │
│ │ 语音生成 │ │
│ └─────────────┘ │
│ │
└────────────────────────────────────────────────────┘全局和文中分开处理这件事很重要。这意味着模型不会因为一句「轻声」就把整段都变得轻飘飘——语境控制是分层的，不会互相污染。
自回归 + MoE 稀疏激活
基于自回归多模态架构，结合稀疏激活的混合专家设计。只激活必要的参数，不浪费算力。
这跟 ERNIE 5.1 的弹性训练思路异曲同工——不是参数越多越好，是用更少的参数做更精准的事。
零样本适配器
用变分自编码器（VAE）提取音色特征，结合风格迁移技术，把情感和风格解耦。克隆的是音色，不绑定情绪——所以复刻出来的声音还能用自然语言调控情绪。
对比表：StepAudio 2.5 站在什么位置
| 维度 | StepAudio 2.5 TTS | Eleven v3 | Gemini 3.1 Flash TTS | OpenAI TTS-1 |
|---|---|---|---|---|
| Arena Elo | 1187（#3） | 1178（#4） | 1206（#2） | ~1101 |
| 情感控制 | 全局 + 文中双维度自然语言 | 预设情感 + 轻度调节 | - | 固定风格，调节有限 |
| 音色复刻 | 3 秒音频，9.9 元/音色 | 需较长样本，付费 | 不支持 | 不支持 |
| 预设音色 | 300+ | 丰富生态 | 有限 | 有限 |
| 流式延迟 | <200ms | ~300ms | - | ~250ms |
| 价格 | ¥5.8/万字符 | $100/百万字符 | $36.61/百万字符 | 按量计费 |
| 私有化部署 | 支持 | 不支持 | 不支持 | 不支持 |
几个关键差异：
- 价格：StepAudio 2.5 的单字符成本大约是 ElevenLabs 的 1/20。对独立开发者和小团队来说，这是一个硬指标。
- 语境控制粒度：Eleven v3 有情感调节，但是预设的。StepAudio 2.5 用自然语言描述，粒度完全不在一个级别。
- 私有化部署：ElevenLabs 和 Google 都是纯云服务。StepAudio 2.5 支持本地部署——对企业客户来说，数据不出机房这件事很重要。
阶跃星辰是谁
值得花一分钟了解这家公司，因为它不太一样。
| 项目 | 详情 |
|---|---|
| 全称 | 上海阶跃星辰智能科技有限公司 |
| 成立 | 2023 年 4 月 |
| CEO | 姜大昕（微软前全球副总裁、首席科学家） |
| 首席科学家 | 张祥雨（ResNet 核心作者之一） |
| 董事长 | 印奇（旷视科技联合创始人） |
| 融资 | B+ 轮超 50 亿人民币，总融资约 17 亿美元 |
| 估值 | 投后约 200-300 亿人民币 |
| 模型装机 | 手机端超 4200 万台，日均服务近 2000 万人次 |
| IPO | 据报正在筹备香港上市 |
阶跃的策略是「多模态最强卷王」——不做单一模态，LLM、文生视频、语音交互全线铺开。Step Audio R1.1 已经连续 4 个月霸榜 Artificial Analysis Speech Reasoning 全球第一。
StepAudio 2.5 TTS 是他们语音产品线的旗舰，不是试水产品。
几个判断
第一，「语境控制」是 TTS 的下一个主战场。 传统 TTS 的竞争维度是「声音像不像人」。这个维度已经被打得差不多了——排名前五的模型，单听哪段都像真人。下一个差异化变量是「能不能像人一样有情绪变化」。StepAudio 2.5 的全局语境 + 文中语境双维度控制，是目前看到的最大胆的尝试。这不是优化，是范式变化。
第二，盲测排名比 benchmark 排名更值得关注。 Benchmark 测的是模型在标准数据集上的表现——但谁日常用的文字是标准数据集？盲测让真人听、真人选，测的是「真实场景下听起来怎么样」。StepAudio 2.5 在盲测里排第三，比在任何 benchmark 上的排名都更有说服力。
第三，价格战已经开始了。 StepAudio 2.5 的单字符成本大约是 ElevenLabs 的 1/20。ElevenLabs 在 TTS 领域一直是价格标杆——现在中国团队用 1/20 的价格做到了同级别的音质。对做产品的独立开发者来说，TTS 成本从「需要考虑的支出」变成了「几乎可以忽略的支出」。语音功能不再是预算问题，变成了产品决策问题。
第四，3 秒克隆 + 9.9 元/音色，把音色复刻的门槛踩到了地板。 之前做个性化语音，要么用平台预设音色，要么花几百块做声音克隆。现在 3 秒音频、不到 10 块钱。这意味着什么？每个用户的语音助手都可以有独特的声音——不是选一个接近的，是直接用用户想要的声音。
第五，但有一个问题值得关注。 Artificial Analysis 的盲测主要覆盖英语场景（美式 + 英式口音）。StepAudio 2.5 作为一个以中文为核心优化的模型，在英语盲测里拿到第三确实厉害。但中文场景下的实际表现，需要更多中文用户的真实反馈来验证。英语场景的好成绩 ≠ 所有场景的好成绩。
试试看
StepAudio 2.5 TTS 已经全量上线：
- 阶跃开放平台：platform.stepfun.com
- API 接口：非流式
POST /v1/audio/speech，流式WebSocket /v1/realtime/audio - Step Plan 应用：直接体验
开源方面，StepAudio 2.5 TTS 本身尚未完全开源，但阶跃在语音领域已有多个开源模型：
- Step-Audio 2 mini（Apache 2.0）：端到端语音对话模型，7B 参数
- Step Audio EditX：情绪风格语音编辑模型，开源榜 #2
- Step Audio R1.1：推理语音模型，连续 4 个月全球 #1
GitHub：github.com/stepfun-ai/Step-Audio2
TTS 的竞争正在从「听起来像不像人」变成「能不能像人一样说话」。StepAudio 2.5 用自然语言替代标签体系，用 3 秒音频替代复杂克隆流程，用 1/20 的价格提供同级别的音质。排名第三不是终点——它指向的是语音交互的下一个阶段：从念稿子到表演。对做产品的人来说，这意味着语音功能不再是「锦上添花」，而是「可以做为核心体验」了。成本不再是门槛，想象力才是。