突破！Step-Audio-TTS-3B刷新TTS合成精度纪录
【免费下载链接】Step-Audio-TTS-3B项目地址: https://ai.gitcode.com/StepFun/Step-Audio-TTS-3B
近日，业界首款基于LLM-Chat范式训练的文本转语音（TTS）模型Step-Audio-TTS-3B正式发布，其在SEED TTS Eval基准测试中创下字符错误率（CER）新纪录，标志着语音合成技术在内容一致性与多场景适应性上实现重要突破。
当前TTS技术正从单一语音合成向"高保真+强可控"方向快速演进。随着智能助手、有声内容、车载交互等场景对语音质量要求提升，行业面临两大核心挑战：如何在保证自然度的同时提升文本与语音的内容一致性，以及如何突破传统模型在多语言、情感表达和特殊语音生成上的局限。据Gartner预测，到2025年，70%的数字交互将包含语音元素，这使得高精度、多功能的TTS技术成为AI落地的关键基础设施。
Step-Audio-TTS-3B通过三大创新构建技术壁垒：首先是行业首创的LLM-Chat范式训练方法，利用大规模合成数据集实现文本理解与语音生成的深度协同；其次是双码本（dual-codebook）技术架构，包含双码本训练的LLM主干模型和专用声码器，其中 humming 生成优化声码器为业内首次亮相；最后是全场景语音生成能力，不仅支持多语言和情感表达，更实现了说唱（RAP）与哼唱（Humming）等复杂语音样式的突破。
在核心性能指标上，该模型展现出显著优势。在中文测试集（test-zh）中，Step-Audio-TTS-3B的CER仅为1.31%，优于FireRedTTS（1.51%）和CosyVoice 2（1.45%）；英文测试集（test-en）的词错误率（WER）达到2.31%，全面领先主流开源模型。值得注意的是，其衍生版本Step-Audio-TTS-3B-Single在中文CER上更是低至1.37%，验证了双码本技术在内容准确性上的提升效果。
这一技术突破将加速TTS在多个领域的应用深化：在教育场景中，高精度语音合成可显著降低有声教材的理解误差；在创意产业，RAP与Humming生成能力为AI音乐创作提供全新工具；而多语言支持则为跨境内容传播消除语音障碍。随着模型开源权重的发布，开发者可基于此构建从智能客服到虚拟主播的多样化应用，推动语音交互体验的整体升级。
未来，随着双码本技术的持续优化和多模态数据融合，TTS模型有望在情感细腻度和场景适应性上实现更大突破。Step-Audio-TTS-3B的出现，不仅刷新了行业精度纪录，更展示了LLM技术与语音合成结合的巨大潜力，为下一代人机交互界面奠定了技术基础。
【免费下载链接】Step-Audio-TTS-3B项目地址: https://ai.gitcode.com/StepFun/Step-Audio-TTS-3B
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
