阶跃星辰StepAudio 2.5 ASR：推理提速4倍、价格砍9成，30分钟音频一次转完

📰 概要

2026年4月24日，阶跃星辰发布StepAudio 2.5 ASR。核心突破：首次将大模型MTP（多Token预测）推理加速引入语音识别领域。

实测数据：推理速度提升400%，延迟降低60%，峰值500 tokens/s，成本直降80%。5分钟音频几乎即时转写。

转写精度在中英文10个权威测试集上综合错误率低于竞品。支持端到端30分钟连续音频，无需切片拼接。

定价0.15元/小时，约为上一代Step ASR 2的十分之一。

语音识别的瓶颈从来不只是准确率，更是速度和成本。传统ASR用自回归逐Token输出，慢且贵。把大模型的MTP加速搬过来，思路简单但执行难。

StepAudio做到了一次预测多个候选Token再并行验证，直接打破了逐个输出的效率瓶颈。400%提速不是微调优化，是架构级变化。

30分钟端到端不分段，这解决了长音频的痛点。之前切片再拼接会导致上下文割裂，后半段可能「忘了」前面说什么。32K上下文窗口复用大模型能力，简单粗暴有效。

来看关键指标对比：

0.15元/小时意味着1块钱能转录6个多小时音频。

这个价格对会议转写、媒体处理、客服质检等场景是颠覆性的。之前用ASR的瓶颈不是技术，是账单——长音频处理费用能占到项目成本的大头。

MTP技术从大语言模型迁移到语音识别，这件事的信号意义大于单个产品。如果这个思路被验证，其他模态（图像、视频）也可能复制类似路径。

对开发者来说，0.15元/小时的定价已经低于很多自建Whisper的GPU成本。除非你有大量免费算力，否则自建的ROI可能不如直接调API。

什么情况不建议用：对实时性要求极高的场景（同声传译级延迟），500 tokens/s虽快但仍有处理延迟。

需要方言识别的场景，官方未提及方言支持，建议先测试。对隐私敏感音频，如果政策不允许走云API，需等本地部署方案。