今天，阶跃正式发布新一代自动语音识别模型StepAudio 2.5 ASR！

这款模型的核心突破在于速度与精度的兼得。我们率先将大语言模型（LLM）的推理加速技术引入语音识别领域，基于 ASR+MTP-5 深度融合架构，实测推理速度提升400%、时延降低60%，推理峰值达500 tokens/s，推理成本直降80%。

5 分钟左右的音视频，“一眨眼”即可转写完成。

精度方面，StepAudio 2.5 ASR 在多项主流评测基准上超越同类模型，达到业内SOTA水平。

同时，模型通过复用 LLM 原生的 32K 上下文窗口，单次可完整转写长达 30 分钟的音频，彻底告别传统“切片转写”方案导致的上下文断裂问题。

目前 StepAudio 2.5 ASR 已全量上线「阶跃星辰开放平台」和 Step Plan，欢迎大家前往体验！

极速转写，SOTA 精度

StepAudio 2.5 ASR 在覆盖新闻播报、会议访谈及强噪声环境的 5 个权威中文开源测试集上，综合字错误率对比竞品取得显著领先优势。

在 LibriSpeech clean/other 等 5 个权威英文开源测试集中，综合词错误率同样低于同类模型，以更低算力实现更高转写上限。在长音频专项测试中，即使面对 30 分钟的满载输入，模型综合转写精度依然保持 SOTA 水准，没有出现常见的“越说到后面精度越低”的衰减问题。


如何又快又好？

传统语音识别模型受限于自回归生成机制，必须逐个 Token 依次输出，就像打字员一个字一个字地敲键盘。StepAudio 2.5 ASR 将 Step 3.5 Flash 同款的MTP（多 Token 预测）技术移植至语音识别领域，使模型能够一次预测多个候选 Token，并通过并行验证机制快速确认结果。

这一架构带来的具体提升是：吞吐量提升 400%、时延降低 60%、推理成本直降 80%。


在处理长音频方面，行业内通常依赖“切片-转写-拼接”方案，即把音频切成若干小段分别识别再合并。这种方式的问题在于每段之间的上下文是断开的——模型在转写第 10 分钟的内容时，已经“忘记”了第 1 分钟说过的话。

StepAudio 2.5 ASR直接复用 LLM 原生的 32K 上下文窗口，端到端地一次性读入最长 30 分钟的完整音频，即在转写第 29 分钟的对话时，依然能清晰“回忆”起第 1 分钟确立的会议背景。

目前，StepAudio 2.5 ASR 已全量上线，欢迎使用：