StepAudio 2.5: голосовой AI в реальном времени, читающий эмоции

Голосовой AI годами застревал в зловещей долине — технически впечатляюще, но эмоционально плоско. StepAudio 2.5 — возможно, модель, которая наконец перекинет мост. Она слышит дрожь в голосе, паузу перед трудным словом и отвечает с подлинно уместным эмоциональным тоном.

За пределами транскрипции

Большинство голосовых моделей делают две вещи: транскрибируют речь и синтезируют обратно. StepAudio 2.5 добавляет третье измерение: паралингвистическое понимание.

Модель улавливает:

• Тон голоса — радость, грусть, фрустрация, удивление, волнение
• Ритм речи — колебания, ускорения, сдвиги уверенности
• Эмоциональная валентность — позитив, негатив, нейтрал с гранулярной интенсивностью
• Невербальные сигналы — вздохи, смех, слова-паразиты

Миллион персонажей, один API

persona = stepaudio.create_persona(
    tone="теплый и терпеливый",
    pace="умеренный, паузы для вопросов",
    emotion="ободряющий, празднует маленькие победы",
    role="репетитор математики для средней школы"
)

StepFun утверждает, что разработчики могут создавать «миллионы уникальных голосовых персон», комбинируя параметры тона, темпа, эмоций и роли.

Реальные применения

• Психическое здоровье — AI-компаньоны, обнаруживающие дистресс в голосе
• Образование — репетиторы, меняющие тон по уровню понимания
• Тренировка собеседований — реалистичные интервью с эмоциональной обратной связью
• Доступность — естественные голосовые интерфейсы для людей с нарушениями речи

StepAudio 2.5 обошла всех конкурентов в бенчмарках выразительности и эмоциональной точности.

References

• OpenAI Real-Time Translation API
• AI Terminal Intelligence Grading