5 月 9 日，全球权威 TTS 评测榜单 Artificial Analysis Speech Arena Leaderboard 更新，阶跃语音生成模型 StepAudio 2.5 TTS 跻身全球前三，成为当前榜单排名最高的中国大模型。这一成绩并非来自传统指标堆砌，而是通过盲测 Elo 评分机制——用户在不知模型身份的前提下，直接对比同一文本生成的两段语音，并基于听感做出判断。测试覆盖客服、知识分享、数字助手、娱乐等场景，意味着 StepAudio 2.5 TTS 的领先直接映射到了真实用户体验中。相比 OpenAI、Google 等巨头在语音领域的持续投入，国产模型能在这种“人听为主”的评测里突围，说明技术路线和工程落地已经迈过关键门槛。
据了解，阶跃近期集中发布 StepAudio 2.5 系列模型，包括 TTS、ASR 和 Realtime 三款，覆盖语音生成、识别与实时交互全链路。其中 StepAudio 2.5 TTS 主打高自然度语音生成，StepAudio 2.5 ASR 面向高速高精度识别，而昨日上线的 StepAudio 2.5 Realtime 则强调“活人感”的 AI 聊天体验，具备顶级副语言能力、千万人设自定义、领先情商品格——这其实指向一个关键差异：传统语音模型只能“读稿”，而阶跃在尝试让 AI 说话更有温度和态度。
AI 语音模型被普遍视为人机交互核心入口，OpenAI、Google 等长期高强度投入。记者观察到，阶跃在语音领域已有深度布局：开源原生推理语音模型 Step Audio R1.1 连续 4 个月霸榜 Artificial Analysis Speech Reasoning，目前仍全球第一；开源全球首个迭代式情绪风格语音编辑模型 Step Audio EditX，作为 zero-shot TTS，仅用 3 秒复刻的音色效果就能胜过不少闭源模型；目前该模型在 Artificial Analysis Speech Arena Leaderboard 开源榜位列全球第二。一个值得注意的趋势是：当大多数团队还在比拼模型参数量和训练算力时，阶跃选择在“用户听感”这个更偏主观的维度上建立优势，这种差异化策略在商业化场景中会更具转化潜力。
 |
 |
在商业化方面，阶跃语音模型已在多个核心终端场景落地。例如搭载吉利银河 M9，率先实现端到端语音大模型量产上车；为整车智能体超级 Eva 提供语音交互能力，首发搭载极氪 8X 并实现量产上市。这两个案例说明，阶跃的语音能力已经从实验室走到前装量产车机，这对后续与更多车企、智能硬件厂商合作具有示范意义。整体来看，语音赛道正从“能说话”向“会聊天”进化，用户对自然度和情感表达的容忍度低，而阶跃的排名和落地进度，给行业提供了一种可参考的技术路径。
