CES的中国黑科技！阶跃星辰端到端语音模型首秀，对话像真人聊天

拉斯维加斯的CES 2026展会上，咱们中国的AI黑科技火了——阶跃星辰的端到端语音模型完成了全球首秀，还直接装在了吉利银河M9的智能座舱里。现场好多外国观众都排着队体验，试过之后都直呼“难以置信”。说真的，平时咱们用语音助手总觉得“有点呆”，要么反应慢，要么听不懂语气里的情绪，这次阶跃星辰的模型据说解决了这些问题

先给不了解的朋友科普下，咱们平时用的语音助手，比如导航、智能音箱，大多是“三段式”的：先把语音转成文字（ASR），再让模型理解文字意思（LLM），最后再把文字转成语音（TTS）。这种方式不仅部署麻烦，还容易出现误差叠加，比如语音转文字错了一个字，后面理解就全偏了，而且响应速度也慢，平均要等500毫秒以上，聊起来特别不顺畅。

而阶跃星辰这次首秀的Step-Audio 2模型，厉害就厉害在“真端到端”——直接把原始音频输进去，不用经过文字中间层，就能直接输出语音回复。简单说就是“语音进、语音出”，链路一下子简化了，延迟也大幅降低。实测数据显示，它的响应延迟只有280毫秒，比行业平均水平快了一半还多，跟人面对面聊天的感觉差不多，不会有明显的卡顿感。

更让人惊喜的是它能听懂“弦外之音”。咱们平时跟人聊天，语气、情绪都藏着信息，比如着急问“订单怎么还没到”，传统语音模型只会机械回复订单状态，而这个模型能精准识别出愤怒、焦虑这些情绪，还会用安抚的语气回应，比如“您先别着急，我马上帮您查物流进展”。数据显示，它对11类副语言信息的理解准确率达到76.55%，远超其他同类模型，在专门的MMAU音频理解测试中，得分77.4%，还超过了GPT-4o Audio这些国际大牌模型。

在CES现场的吉利展台，这个模型的表现更是圈粉无数。有观众用焦虑的语气说赶时间，语音助手不仅立刻规划了最快路线，还主动调节了座舱的空调温度和音乐氛围；还有人试着用上海话、四川话交流，它的识别准确率居然达到89%，而GPT-4o Audio对这些方言的识别率才62%。更有意思的是，它还支持用自然语言切换音色，比如跟它说“用老北京大爷的语气跟我说话”，它立马就能切换过去，这种个性化体验以前真没见过。

可能有人觉得这些都是花架子，但从专业角度看，这背后是实实在在的技术突破。为了训练这个模型，阶跃星辰用了千万小时的真实语音数据，覆盖了多语种、多场景，还创新了“音频编码器-推理中枢-音频生成器”的一体化架构，确保语音和语义的高度对齐。而且他们还推出了开源的Step-Audio 2 mini版本，最低只要8GB显存的GPU就能本地部署，开发者还能免费调用API，这对推动整个行业的技术进步特别有帮助。

从应用场景来看，智能座舱只是开始。现在汽车行业的竞争早就转向智能化了，2025年被称为大模型“上车”元年，2026年就是规模化落地的关键年。搭载这个模型的吉利银河M9，上市四个月销量就达到3.9万辆，这次在CES亮相后，更是让海外市场看到了中国智能座舱的实力。除此之外，它还能用到智能客服、无障碍设备等领域，比如给听障人群实时转换带情感标记的文字，给视障人群识别环境音提示安全，实用性特别强。