阶跃（StepFun）「StepAudio 2.5 ASR」リリース！500TPSの超高速推論、30分音声を「数秒で文字起こし」

提供：阶跃 2026-04-24 11:39 北京 ![image](https://wechat2rss.bestblogs.dev/img-proxy/?k=9774e038&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2Fb0DPsa8PwiacuOKw9AVJUPzpeGGWLvIte15lpiaK82jicNlNQVGuMpNk8GnnxFqKfmUdvJ7hzStfsx0ezvraV8qRQsYP1mxRNhibl6fCCHauXYE%2F0%3Fwx_fmt%3Djpeg) 速度と精度の両立 今日、阶跃（StepFun）は新世代の自動音声認識モデル「StepAudio 2.5 ASR」を正式にリリースしました！ このモデルの核心的な突破は、速度と精度の両立にあります。私たちは大規模言語モデル（LLM: Large Language Model）の推論加速技術を音声認識領域に先駆的に導入し、ASR＋MTP-5 深層融合アーキテクチャ（ASR+MTP-5 Deep Fusion Architecture）に基づき、実測で推論速度を400%向上させ、レイテンシ（Latency）を60%削減しました。推論ピークは500 tokens/sに達し、推論コストは80%直減しています。 約5分間の音声・動画コンテンツも、「瞬く間」に転写が完了します。 精度面では、StepAudio 2.5 ASR は複数の主要な評価ベンチマークにおいて同種モデルを凌駕し、業界のSOTA（State of the Art: 最先端）水準に達しています。 また、本モデルはLLMが持つネイティブな32Kコンテキストウィンドウ（Context Window）を再利用することで、単一リクエストで最大30分間の音声を完全に転写可能とし、従来の「スライシング（分割）転写」方式に起因するコンテキストの断絶問題を彻底解決しました。 現在、StepAudio 2.5 ASR は「阶跃星辰（StepFun）オープンプラットフォーム」と Step Plan にフルラインアップで公開されています。ぜひご体験ください！ 阶跃星辰オープンプラットフォーム：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 超高速転写、SOTA（State of the Art）精度 StepAudio 2.5 ASR は、ニュース放送、会議インタビュー、強ノイズ環境をカバーする5つの権威ある中国語オープンソーステストセットにおいて、競合製品と比較して総合文字誤り率（CER: Character Error Rate）で顕著な優位性を確保しています。 また、LibriSpeech clean/other などの5つの権威ある英語オープンソーステストセットにおいても、総合単語誤り率（WER: Word Error Rate）は同種モデルを下回り、より少ない計算資源でより高い転写上限を実現しています。長尺音声の特別テストでは、30分間のフルロード入力に対してもモデルの総合転写精度はSOTA水準を維持し、よくある「後半になるほど精度が低下する」という減衰問題が発生していません。 ![image](https://wechat2rss.bestblogs.dev/img-proxy/?k=9795cf88&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fsz_mmbiz_jpg%2Fb0DPsa8PwiafORGVfv8OI1XXJKjiaRF6ebVFDTiaPg8hiasMYffDdGP0jkdcLtrdsXkd2seaBuatQyzJotHlL8mxImXicYVANvP6iaKxDzFw7ibytI%2F640%3Fwx_fmt%3Djpeg) いかにして高速かつ高精度を実現したか？ 従来の音声認識モデルは自己回帰生成メカニズム（Autoregressive Generation Mechanism）の制約を受け、トークン（Token）を一つずつ順番に出力する必要があり、まるでタイピストが一文字ずつキーボードを叩くような状態でした。StepAudio 2.5 ASR は、Step 3.5 Flash と同等のMTP（Multi-Token Prediction: 複数トークン予測）技術を音声認識領域に移植し、モデルが一度に複数の候補トークンを予測可能とし、並列検証メカニズム（Parallel Verification Mechanism）によって結果を迅速に確認できるようにしました。 このアーキテクチャがもたらす具体的な向上は、スループット（Throughput）の400%向上、レイテンシの60%削減、推論コストの80%直減です。 ![image](https://wechat2rss.bestblogs.dev/img-proxy/?k=a7ab13b0&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_png%2Fb0DPsa8PwiafJb3uLVFjXZUlCef0LUGMpf5s6GLYTTycPD4cFy8iamJvNAy0IYfiau4mxQ5FF1Ej5nwpyRtkLNG2sfCqicRPu1IUSGtcV4srZzM%2F640%3Fwx_fmt%3Dpng%26from%3Dappmsg) 長尺音声の処理において、業界では通常「スライシング（分割）－転写－結合」方式に依存しています。これは音声を複数の小さなセグメントに分割して個別に認識し、後で結合する手法です。この方式の問題点は、セグメント間でコンテキストが断絶していることです。モデルは10分目の内容を転写する時点で、すでに1分目に話された内容を「忘れて」しまっています。 StepAudio 2.5 ASR は、LLMが持つネイティブな32Kコンテキストウィンドウを直接再利用し、エンドツーエンド（End-to-End）で最大30分間の完全な音声を一度に読み込みます。つまり、29分目の会話を転写する際にも、1分目に確立された会議の背景を明確に「回想」できるのです。 現在、StepAudio 2.5 ASR はフルラインアップで公開されています。ぜひご活用ください： 阶跃星辰オープンプラットフォーム：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 体験センター：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/ WeChatで開くにはこちらをクリック

阶跃（StepFun）「StepAudio 2.5 ASR」リリース！500TPSの超高速推論、30分音声を「数秒で文字起こし」

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

調べる

選ぶ

サイト