Mis on StepAudio 2.5 ASR?
StepAudio 2.5 ASR on StepFuni spetsiaalne automaatse kõnetuvastuse (ASR) mudel. ASR-süsteemid kuulavad kõneaudiot ja teisendavad selle kirjalikuks tekstiks, mistõttu sobivad need näiteks koosolekute transkribeerimiseks, intervjuude töötlemiseks, subtiitrite loomiseks, otsitavate häälearhiivide koostamiseks ja häälagentidele sisendi andmiseks.
Mudeli kanooniline API-identifikaator on stepaudio-2.5-asr. See täidab StepFuni mudelikataloogis spetsialiseeritud rolli: mudel on loodud transkribeerimiseks, mitte üldotstarbeliseks teksti genereerimiseks või multimodaalseks vestluseks. StepFun teatas mudelist 24. aprillil 2026 ning ametlike materjalide kohaselt on see saadaval StepFun Open Platformi ja Step Plani kaudu.
Mudeli peamised tuvastatud keeled on hiina ja inglise keel. StepFuni mudelimaterjalides kirjeldatakse ka tööd, mille eesmärk on parandada töökindlust eri aktsentide, murrete, mürarikaste keskkondade ja mõne täiendava keele puhul, kuid esitatud dokumentatsioon ei sätesta üksikasjalikke keelepõhiseid garantiisid.
Miks on mudel loodud kiirust silmas pidades?
StepAudio 2.5 ASR ühendab helikodeerija, lineaarse adapteri, keelemudeli põhikomponendi ja MTP-5 dekodeerimise. Lihtsustatult teisendab helikodeerija kõne mudelile töödeldavaks teabeks, samal ajal kui keelemudeli komponent muudab selle teabe transkriptsioonimärkide jadaks.
MTP-5 tähendab mitme märgi ennustamist (multi-token prediction). Selle asemel et genereerida iga märk rangelt üksteise järel, saab süsteem ennustada ja kontrollida mitut võimalikku märki paralleelselt. Selle eesmärk on suurendada dekodeerimise läbilaskevõimet ja vähendada aega, mis kulub transkriptsioonitulemuste kättesaadavaks muutumiseni.
StepFuni andmetel ulatub läbilaskevõime kuni 500 märgini sekundis, võrreldes varasemate ASR-süsteemidega on läbilaskevõime ligikaudu 400% suurem, latentsus 60% väiksem ja järelduskulu 80% väiksem. Need on teenusepakkuja esitatud võrdlused, mitte sõltumatute jõudlustestide tulemused. Tegelik jõudlus võib sõltuda riistvarast, heli kvaliteedist, keelest, salvestise pikkusest, lõpp-punkti konfiguratsioonist ja konto piirangutest.
Transkriptsioonitöövoos on kiirus oluline kahel eri viisil. Pakktöötluse kasutajad saavad suuri arhiive kiiremini töödelda, samal ajal kui interaktiivsed rakendused võivad saada osalisi tulemusi varem. Seetõttu on mudeli voogedastus-API tugi oluline rakenduste puhul, mis vajavad järkjärgulist tuvastamist ega soovi oodata kogu salvestise lõppu.
Pikad helisalvestised ja 32K kontekstiaken
StepAudio 2.5 ASR-il on teatatud 32K kontekstiaken ning see on loodud töötlema ühe läbimisega kuni 30 minutit heli. See on oluline salvestiste puhul, kus terminoloogia, nimed ja vestluse kontekst jätkuvad mitme minuti vältel.
Pika salvestise töötlemine ühe läbimisega võib vähendada ka lühikesteks lõikudeks jagamise ja saadud transkriptsioonide ühendamisega seotud arendustööd. Lõikudeks jagamine võib põhjustada korduvaid või puuduvaid sõnu lõikude piiridel, ebaühtlast kirjavahemärgistust või konteksti kadumist. Mudeli pikemate salvestiste jaoks mõeldud ülesehitus ei kõrvalda kõiki transkriptsiooniprobleeme, kuid selle eesmärk on vähendada vajadust sellise käsitsi ühendamise järele.
30 minuti näitajat tuleks käsitleda dokumenteeritud sihtväärtusena, mitte iga päringu puhul kehtiva tingimusteta garantiina. Edukalt esitatavat sisu võivad mõjutada faili suurus, kontopiirangud, API-seaded, helivorming ja teenusepoolsed piirangud. Esitatud uuring ei kinnita eraldi maksimaalset väljundmärkide arvu.
Toetatud sisendid ja väljundid
| Võimekus | StepAudio 2.5 ASR |
|---|---|
| Peamine sisend | Audio |
| Peamine väljund | Transkriptsioonitekst |
| Ametlikes materjalides nimetatud helivormingud | PCM, OGG, MP3 ja WAV |
| Kontekstiaken | 32K |
| Disainitud maksimaalne heli pikkus | Ühe läbimisega kuni 30 minutit |
| Voogedastus | Saadaval serveri saadetud sündmuste kaudu toimuva ASR-i kasutusena |
| Kõne genereerimine | Ei ole toetatud |
| Pildi- või videosisend | Ametlikku tuge ei ole tuvastatud |
Mudel tagastab tekstilise transkriptsiooni, mitte heli. See ei sünteesi algupäraselt kõnet, genereeri muusikat ega loo pilte või videoid. Seetõttu tuleks seda käsitleda kõnetöötlustöövoo tuvastuskomponendina, mitte täieliku kõnest kõnesse töötava assistendina.
Olemasolev uuring ei kinnita sisseehitatud kõnelejate eristamist, üksikasjalike ajatemplite väljundit, struktureeritud JSON-väljundit ega peenhäälestusliidest. Kui rakendus sõltub kõnelejate siltidest, sõnatasandi ajastusest, skeemiga piiratud vastustest või kohandatud treenimisest, tuleks need võimalused enne rakendamist eraldi üle kontrollida, mitte eeldada neid mudeli üldise ASR-funktsiooni põhjal.
Hinnakujundus ja teenusele juurdepääs
StepFuni hinnastamisviidetes on StepAudio 2.5 ASR-i hinnaks Step Plani kanali kaudu märgitud ¥0.15 ühe audiotunni kohta. See on kestusepõhine hind: see sõltub töödeldud heli hulgast, mitte sisend- või väljundteksti märkide arvust.
Esitatud hind annab kasuliku ettekujutuse mudeli positsioonist transkriptsioonitöötluse kulude osas, eriti võrreldes teenustega, mille hind põhineb märkide arvul või kallimal reaalajas kõnetöötlustaristul. Kättesaadavus, mahupiirangud, piirkondlikud lõpp-punktid, arveldusreeglid ja ärilised tingimused võivad siiski muutuda. Enne tootmisjuurutuse eelarvestamist peaksid meeskonnad kontrollima kehtivat hinda ja kasutusõigust StepFuni kontol ning hinnastamisdokumentatsioonis.
Ametlikus API-dokumentatsioonis nimetatakse ASR-päringute puhul serveri saadetud sündmuste voogedastuse kasutamist. See muudab teenuse asjakohaseks rakenduste jaoks, mis kuvavad otse või järk-järgult uuenevat transkriptsiooni, kuigi esitatud uuring ei täpsusta kõiki voogedastusparameetreid ega garanteeri kindlat aega esimese tulemuseni.
Arutlus-, kodeerimis- ja tööriistade tugi
StepAudio 2.5 ASR ei ole tavapärases tähenduses arutlusmudel. Selle ülesanne on kõne tuvastada ja transkriptsioon koostada, mitte lahendada mitmeastmelisi ülesandeid, tõlgendada juhiseid või vestlust iseseisvalt analüüsida. Kokkuvõtete tegemine, küsimustele vastamine, teabe eraldamine ja töövoootsused tuleks üldjuhul teha pärast transkriptsiooni eraldi tekstimudeliga.
Samuti ei ole mudelil väljakujunenud kodeerimisvõimekust ning see ei ole mõeldud tarkvara genereerimiseks ega ülevaatamiseks. See ei paku üldotstarbelist tööriista- ega funktsioonikutsete tuge. Mudel võib olla suurema rakenduse sisendkomponent — näiteks teisendada kõnepäringu tekstiks, enne kui teine süsteem seda tõlgendab —, kuid selline järgnev orkestreerimine on StepAudio 2.5 ASR-ist eraldiseisev.
Need eristused on olulised, kui võrrelda ASR-mudelit üldise multimodaalse assistendiga. Laiema kasutusulatusega mudel võib vastu võtta heli ja selle sisu üle arutleda, kuid spetsialiseeritud tuvastusmudel võib olla parem valik, kui vajalik tulemus on transkriptsioon ning prioriteedid on töötlemiskiirus, prognoositav helitöötlus ja salvestustunni hind.
Peamised tugevused ja piirangud
Tugevused
- Teatatud kiire dekodeerimine: StepFuni väitel ulatub kiirus kuni 500 märgini sekundis ning võrreldes varasemate StepFuni ASR-süsteemidega on läbilaskevõime ja latentsus märgatavalt paranenud.
- Pikkade salvestiste tugi: 32K kontekstiaken ja kuni 30-minutiline ühe läbimisega töötlus sobivad koosolekute, intervjuude, loengute, taskuhäälingute ja sarnaste salvestiste jaoks.
- Tootmiskasutuseks sobiv juurdepääs: Mudelil on kanooniline API-identifikaator, see on saadaval Open Platformil ja Step Plani kaudu ning selle voogedastuse kasutus on dokumenteeritud.
- Audiokestusel põhinev hinnakujundus: Avaldatud viitehind ¥0.15 audiotunni kohta lihtsustab transkriptsioonikulude hindamist salvestise pikkuse põhjal.
- Fookus hiina ja inglise keelel: Mudel on suunatud eelkõige nendele keeltele ning täiendavad töökindluse väited hõlmavad aktsente, murdeid ja mürarikkaid tingimusi.
Piirangud
- Ei ole üldine assistent: See genereerib transkriptsiooniteksti ning seda ei tohiks valida avatud vestluse, arutlemise, kodeerimise ega üldise multimodaalse suhtluse jaoks.
- Kõne väljundit ei ole: See ei saa teksti iseseisvalt kõneks muuta ega pidada kõnest kõnesse vestlusi.
- Täiustatud transkriptsioonifunktsioonid on kinnitamata: Siin esitatud ametlikud tõendid ei kinnita kõnelejate eristamist, üksikasjalikke ajatempleid, JSON-skeemiga väljundit ega peenhäälestust.
- Jõudlusandmed pärinevad teenusepakkujalt: Kiiruse, latentsuse ja kulu paranemise väited pärinevad StepFunilt ega pruugi kehtida iga juurutuse puhul.
- Operatiivsed üksikasjad sõltuvad kontost: Enne tootmiskasutust tuleks kontrollida mahupiiranguid, piirkondlikku juurdepääsu, lõpp-punkti käitumist ja kehtivat hinnastust.
Parimad kasutusjuhud
StepAudio 2.5 ASR on hea kandidaat olukordades, kus põhiülesanne on suure hulga kõne kiire tekstiks teisendamine. Sobivad näited on järgmised:
- Hiina- või ingliskeelsete koosolekute ja intervjuude transkribeerimine
- Salvestatud videotele esmaste subtiitrite loomine
- Loengute, taskuhäälingute ja muude pikkade salvestiste töötlemine
- Kõnede või häälsalvestiste otsitavate arhiivide loomine
- Kõnetuvastuse lisamine häälagentide töövoogudesse
- Lähedal reaalajale toimiva transkriptsiooni toetamine voogedastustulemuste kaudu
See on eriti atraktiivne töövoogudes, kus läbilaskevõime ja heli kestusel põhinev hind on olulisemad kui laialdased arutlusvõimed. Näiteks võib paljusid intervjuutunde töötlev meediameeskond saada spetsiaalsest ASR-teenusest rohkem kasu kui iga salvestise saatmisest üldisele multimodaalsele mudelile.
Millal seda mudelit valida?
Vali StepAudio 2.5 ASR, kui vajad spetsiaalset transkriptsioonimootorit, suhteliselt pikkade salvestiste tuge, hiina või inglise keele tuvastamist ning voogedastustulemusi pakkuvat API-t. Selle teatatud kiirus ja kestusepõhine hinnakujundus muudavad selle kõige huvipakkuvamaks suure mahuga või latentsustundlike kõne tekstiks teisendamise töövoogude puhul.
Teine võimalus võib olla sobivam, kui rakendus peab mõistma otse pilte või videot, genereerima kõneks muudetavaid vastuseid, tegema heli põhjal keerukat arutlust, tuvastama kõnelejaid kinnitatud diariseerimise abil, tagastama rangelt struktureeritud väljundit või ühendama transkriptsiooni ja vestluse ühes mudelis. Sellistel juhtudel võib laiem multimodaalne või kõnest kõnesse töötav süsteem vähendada integratsioonitööd, isegi kui selle kulu- või jõudlusnäitajad on teistsugused.
Praktiline arhitektuur võib ühendada ka StepAudio 2.5 ASR-i teise mudeliga: kasuta StepAudiot tuvastamiseks ja edasta transkriptsioon eraldi keelemudelile kokkuvõtete tegemiseks, teabe eraldamiseks, otsinguks või agenditoiminguteks. Nii säilib spetsialiseeritud mudeli roll transkribeerijana, vältides samal ajal eeldust, et see suudab teha järgnevat arutlust või käivitada tööriistu.
Kokkuvõte
StepAudio 2.5 ASR on StepFuni spetsialiseeritud mudel kiireks ja pikkade salvestiste kõnetuvastuseks. Selle selgeimad eelised on teatatud MTP-5 dekodeerimise tõhusus, 32K kontekst, kuni 30-minutilise salvestise ühe läbimisega transkribeerimise võimalus, voogedastus-API juurdepääs ja audiotunni põhine hinnaviide. Sama olulised on mudeli piirangud: see väljastab teksti, ei genereeri kõnet ning seda ei ole dokumenteeritud üldise arutlus-, kodeerimis-, kõnelejate eristamise ega struktureeritud väljundi mudelina. Rakenduste jaoks, mille peamine vajadus on tõhus hiina- ja ingliskeelne transkriptsioon, on see keskendunud valik; laiema heli mõistmise või vestlusliku käitumise puhul tuleks seda täiendada vastavate ülesannete jaoks loodud mudeliga või kasutada selle asemel sellist mudelit.