海外殺瘋！階躍語音模型 CES 出圈後登頂全球第一，聽到對話即可思考

全球知名權威大模型評測榜單 Artificial Analysis Speech Reasoning 更新，大模型創業公司階躍星辰原生音頻推理模型 Step-Audio-R1.1以96.4%準確率，超越 Grok、Gemini、GPT-Realtime 等主流一線模型，刷新歷史最好成績。目前，階躍星辰已將這款模型開源，開發者可以下載體驗。

據瞭解，該榜單是目前業界評估“原生語音模型”（Native Audio Models）最權威的第三方基準之一。核心考量模型直接處理音頻並進行復雜邏輯推理的能力，主要考察維度包括準確率、首包延遲等。

根據榜單評測，在性能與速度的綜合權衡上，Step-Audio-R1.1 全面碾壓同類語音模型。

2025年11月，階躍星辰發佈了全球首個開源原生音頻推理模型 Step-Audio-R1，可以在不增加額外時延的情況下，端到端理解語音內容，並能夠“像人類一樣聽到對話即可思考”。這次發佈的 Step-Audio-R1.1 模型，是Step-Audio-R1的升級版，兼顧更強實時對話和複雜語音推理能力。完整的實時語音API將在2月上線，目前開放的chat模式已搭載Step-Audio-R1.1核心，支持邊想邊說的流式推理。

和大語言模型同理，語音模型同樣需要具備強大推理能力，才能提供更高階智能、更自然交互。基於推理能力，Step-Audio-R1.1不僅能準確識別聲音，還可以捕捉到聲音背後的情緒和心理狀態、言外之意，並能基於環境音推導對物理世界的理解。比如當聽到最近爆火網絡的“海豹舞”音頻時，模型不僅能識別出韓語歌詞，更判斷出這是典型語言學習或發音練習的音頻，而非自然對話。

一種行業共識是，語音是終端場景下最主流的交互方式。自2025年發力“AI+終端”戰略，階躍星辰相繼發佈了業內首個產品級的開源語音交互模型 Step-Audio、端到端語音模型 Step-Audio 2 系列、音頻編輯模型 Step-Audio-EditX、全球首個開源原生音頻推理模型 Step Audio R1。

在剛閉幕的 2026 年國際消費電子展（CES）上，吉利展示了搭載階躍語音大模型的吉利銀河 M9 海外版，憑藉極具真人感的交互效果引發海外觀衆的熱議。吉利銀河 M9 也是業內首個搭載端到端語音模型的量產車型。