阶跃 StepAudio 2.5 ASR 上线！500TPS 极速推理，30分钟语音“秒级转写”
语音 Agent 首字响应慢，很多人以为是 LLM 的锅。其实真正的延时瓶颈常在ASR（自动语音识别）：传统的逐 token 串行输出——一段 5 分钟音频，要等几十秒才能拿到完整转写结果，整条链路卡在这一步。
StepAudio 2.5 ASR 引入 MTP 技术，单步并行预测多个 Token，大幅削减串行等待周期，5 分钟音频 1 秒出头即可出完整转写结果。
核心亮点
1. 极速推理：速度提升 400%，成本直降 80%
阶跃星辰全球首次将大语言模型领域的Multi-Token Prediction（MTP，多 Token 预测）技术引入语音识别领域，彻底重构 ASR 解码流水线。
传统 ASR 受限于自回归架构，必须逐 Token 串行生成——每个字必须等上一个字出来才能开始预测。StepAudio 2.5 ASR 引入 MTP 后，单步可并行预测多个 Token，通过候选验证机制大幅削减等待周期，让 ASR 快如闪电。
实测数据：
| 指标 | 数值 |
| 算力成本 | 直降 80%，API 定价 0.15 元/小时，刷新行业底价。 |
| RTF（引擎侧） | 0.0053，即转写1 小时音频仅需约19 秒 |
| 吞吐量提升 | +400%，同等算力下并发路数提升至原先 5 倍 |
| 时延降低 | 60%，5 分钟音频 1 秒内出结果 |
| 推理速度 | 极限500 tokens/s |
什么是RTF？RTF（Real-Time Factor，实时率）是语音识别领域的标准速度指标，表示"处理 1 秒音频所需的计算时间"。RTF 越小越快：RTF = 0.0053 意味着处理 1 秒音频只需 0.0053 秒，转写 1 小时音频约 19 秒即可完成。
测试说明：以下数据均为引擎侧 RTF，测试条件为单并发推理多条30s音频后取RTF均值；除 Doubao ASR 走官方 API 外，其余模型均在本地 H800 卡推理，测试环境存在差异，供参考。
竞品RTF对比：
StepAudio 2.5 ASR 推理速度是第二名 Qwen3 ASR 的近2 倍，是 VibeVoice、Doubao 等主流方案的10～20 倍。
2. SOTA 转写精度
基于4B 参数深度优化，在新闻、会议、强噪声等多场景下，中英文错误率全面刷新行业基线。
价格与接入
API 定价：0.15 元/小时，仅为上代Step ASR 2 的 1/10。Step Plan 用户可直接使用。
接入：API 调用中替换模型名为stepaudio-2.5-asr即可迁移，接入参考下方API文档
适用场景
Voice Agent、大规模转写服务、实时字幕/直播。
体验入口：
- 阶跃星辰开放平台(API文档)：
https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-asr
- Step Plan：
https://platform.stepfun.com/docs/zh/step-plan/integrations/audio-api
- 在线体验：
https://www.stepfun.com/studio/audio?tab=speech-recognition
- Demo Page：
https://stepaudiollm.github.io/step-audio-2.5-asr
- Model Card：
https://stepaudiollm.github.io/step-audio-2.5-asr/model-card