超越 Grok，阶跃星辰拿下全球权威语音模型榜第一

1 月 15 日消息，全球知名权威大模型评测榜单 Artificial Analysis Speech Reasoning 更新，大模型创业公司阶跃星辰原生音频推理模型 Step-Audio-R1.1 登顶榜首，以 96.4% 准确率，超越 Grok、Gemini、GPT-Realtime 等主流一线模型，刷新历史最好成绩。目前，阶跃星辰已将这款模型开源，开发者可以下载体验。

据了解，该榜单是目前业界评估“原生语音模型”（Native Audio Models）最权威的第三方基准之一。核心考量模型直接处理音频并进行复杂逻辑推理的能力，主要考察维度包括准确率、首包延迟等。

根据榜单评测，在性能与速度的综合权衡上，Step-Audio-R1.1 全面碾压同类语音模型。

2025 年 11 月，阶跃星辰发布了全球首个开源原生音频推理模型 Step-Audio-R1，可以在不增加额外时延的情况下，端到端理解语音内容，并能够“像人类一样听到对话即可思考”。这次发布的 Step-Audio-R1.1 模型，是 Step-Audio-R1 的升级版，兼顾更强实时对话和复杂语音推理能力。完整的实时语音 API 将在 2 月上线，目前开放的chat模式已搭载 Step-Audio-R1.1 核心，支持边想边说的流式推理。

和大语言模型同理，语音模型同样需要具备强大推理能力，才能提供更高阶智能、更自然交互。基于推理能力，Step-Audio-R1.1 不仅能准确识别声音，还可以捕捉到声音背后的情绪和心理状态、言外之意，并能基于环境音推导对物理世界的理解。比如当听到最近爆火网络的“海豹舞”音频时，模型不仅能识别出韩语歌词，更判断出这是典型语言学习或发音练习的音频，而非自然对话。

一种行业共识是，语音是终端场景下最主流的交互方式。自 2025 年发力“AI+终端”战略，阶跃星辰相继发布了业内首个产品级的开源语音交互模型 Step-Audio、端到端语音模型 Step-Audio 2 系列、音频编辑模型 Step-Audio-EditX、全球首个开源原生音频推理模型 Step Audio R1。

在刚闭幕的 2026 年国际消费电子展上，吉利展示了搭载阶跃语音大模型的吉利银河 M9 海外版，凭借极具真人感的交互效果引发海外观众的热议。吉利银河 M9 也是业内首个搭载端到端语音模型的量产车型。