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」
本文の状態
日本語全文を表示中
詳細モードで約4分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
阶跃星辰
阶跃（StepFun）は新ASRモデル「StepAudio 2.5」をリリースした。LLM推論加速技術を導入し、速度を400%向上させ、30分音声を数秒で文字起こし可能にした。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るSource Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
提供：阶跃 2026-04-24 11:39 北京
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。
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。
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
原文を表示
原创 阶跃 2026-04-24 11:39 北京
image
速度与精度兼得
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！
阶跃星辰开放平台：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
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：
阶跃星辰开放平台：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
体验中心：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/
跳转微信打开
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み