Step-Audio-TTS-3B是什么. Step-Audio-TTS-3B 是 Stepfun-AI 团队推出的高性能文本到语音（TTS）模型，具有强大的语音合成能力。基于海量合成数据训练，参数量达到30亿，能生成自然流畅、富有表现力的语音。

接入阶跃星辰 TTS API，通过官方音色和对大模型生成的内容进行分句，提供 TTS 生成。 在游戏当中，需要大量的 NPC 语音，人工录入时间成本高、维护成本高。 接入阶跃星辰 TTS API，并通过音色复刻能力，针对每一组 NPC 维护一套音色，根据游戏调整，随时录制所需的音频。 阶跃星辰为开发者提供了 20 种官方音色，你可以在这里试听不同的音色，并在 API 当中调用。 如果你有自定义音色的需求，可以试用音色复刻能力。 阶跃星辰 TTS 模型 支持 wav、mp3、flac …

Step-Audio-TTS-3B是业界首个基于大规模合成数据集并采用 LLM-Chat 范式训练的文本转语音（TTS）模型。 该模型在 SEED TTS Eval 基准测试中取得了SOTA（最先进的）字符错误率成绩。

2025年2月21日 · 目前「Step-Audio-TTS-3B 产品级方言语音生成模型」已上线至 OpenBayes 官网的「公共教程」板块，该教程包含语音合成、音乐合成和语音克隆 3 个功能，快来亲身体验一下吧~

Step-Audio 是由 Stepfun-AI 团队于 2025 年开源的业界首个集语音理解与生成控制一体化的产品级开源实时语音对话系统，支持多语言生成（如 中文，英文，日语），语音情感（如 开心，悲伤），方言（如 粤语，四川话），可控制语速及韵律风格，支持 RAP 和哼唱等。

Kokoro-v1.1一键包中文独立音色模型,上百种中文音色,实时本地文字转语音(中文/英文/日文),接入开源阅读,接入大模型,长文本推理,TTS,支持CPU 刘悦的技术博客

关注不迷路~ COOL致力于为开源社区做贡献，跟进最新的AI领域项目阶跃星辰近期开源了最大的语音模型Step-Audio本视频对其中的TTS模型进行了效果测试官方项目地 …

130B 的 Chat 模型还是挺大的，Step-Audio-TTS-3B 在这个页面可以直接体验，主要框架如下图所示，输入 Audio，输出 Text，通过外挂的 TTS 系统合成 Text 对应的音频。. 音频 tokenizer. semantic（来自 cosyvoice1 ） 的帧率 25 Hz，liguistic（来自 paraformer 的 encoder） 的帧率 16.7 Hz，liguistic 的帧率真是挺奇怪的。

2025年3月21日 · 阶跃最近还开箱了一个语音大模型 Step-Audio，实现了从语音理解到生成的 端到端整合，在多个关键维度展现出卓越优势：. 情绪感知与理解 —— 识别语气、语调中的情绪信息，结合语境提供精准回应。; 多语种与方言支持 —— 覆盖多语言、多方言，中英文交流可实现同声 …

Step-Audio 是业界首个集语音理解与生成控制一体化的产品级开源实时语音对话系统，支持多语言对话（如 中文，英文，日语），语音情感（如 开心，悲伤），方言（如 粤语，四川话），可控制语速及韵律风格，支持RAP和哼唱等。 其核心技术突破体现在以下四大技术亮点： 1300亿多模态模型: 单模型能实现理解生成一体化完成语音识别、语义理解、对话、语音克隆、语音生成等功能，开源千亿参数多模态模型 Step-Audio-Chat。 高效数据生成链路: 基于130B 突破传统 TTS …