「StepAudio」宣布推出StepAudio 2.5 Realtime：主觀體驗評分高出 GPT-Realtime-1.5 近18%，每小時通話價格為 3.8 美元

据動察 Beating 監測，階躍星辰發布端到端實時語音大模型 StepAudio 2.5 Realtime，主打「活人感」對話，支援全維度人設自定義和副語言（語調、停頓、歎息等非語言信號）感知。模型已全量上線開放平台 API。

官方給出的五個評測維度（2026 年 4 月測試）全部拿下第一。其中最能反映真實體驗的主觀評測（手機 APP 真人對話打分）得 80.41，GPT-Realtime-1.5 為 68.01，Gemini Live 為 67.16。語音問答基準得 79.80，是 GPT-Realtime-1.5（53.20）的近 1.5 倍。副語言理解 82.18，通用對話 86.36，車載場景 84.80。

技術路線有三個關鍵設計。一是基於 1 萬餘個原生人設，通過算法裂變出百萬級人設特徵矩陣，融合大量真實對話語料訓練，讓模型在長尾小眾話題上也能保持穩定。二是針對角色扮演場景做了專屬 RLHF（基於人類反饋的強化學習）對齊，解決 AI 聊著聊著「人設崩塌」的老問題。三是理解與生成深度融合，繼承自家 StepAudio 2.5 TTS 的表現力，做到全局場景定調和句內細節雕琢。

API 兼容 OpenAI Realtime API 協議（基於 WebSocket），開發者可低成本遷移。定價為輸入 10 元/百萬 token（快取命中 2 元），輸出 70 元/百萬 token，官方估算連續語音通話成本約 3.8 元/小時。