近日，人工智能领域迎来重要进展，阶跃公司正式发布新一代语音生成模型StepAudio 2.5 TTS。该模型通过三项核心技术突破，实现了语音合成效果的显著提升，为角色配音、有声内容创作及智能交互等场景带来全新解决方案。
在核心技术层面，StepAudio 2.5 TTS构建了多维度语境控制系统。全局语境控制模块可精准定义整段语音的情感基调、角色状态及场景氛围，确保语音输出与整体叙事逻辑高度契合；文中语境控制则支持对语气强度、语速节奏、停顿位置等细节参数进行逐帧调节，甚至能通过声学特征模拟特定角色的说话方式。这两项技术共同构成了语音表现力的核心支撑。
模型独创的零样本复刻技术实现了音色与表达的解耦控制。通过深度神经网络架构，系统能在保持目标音色特征不变的前提下，自由调整语音的情感色彩、语言风格及表达方式。这种非侵入式修改机制既保护了原始音色数据，又赋予创作者前所未有的调控自由度。用户只需通过自然语言描述需求，即可完成复杂语音参数配置，大幅降低专业设备操作门槛。
目前该模型已全面接入"阶跃星辰开放平台"和Step Plan应用生态。在有声书制作场景中，创作者可同时为多个角色分配独特音色，并通过语境控制系统实现对话情绪的自然流转；智能客服领域则能根据用户问题类型动态切换专业或亲和的语音风格；在影视配音环节，模型支持实时调整台词的戏剧张力，使虚拟角色表演更具感染力。
技术团队透露，StepAudio 2.5 TTS采用自研的流式语音合成架构，在保持高表现力的同时将响应延迟控制在200毫秒以内。该模型支持中英文及方言混合输出，音色库覆盖新闻主播、卡通角色、老年嗓音等300余种预设类型，并开放用户自定义音色上传功能。此次升级标志着语音生成技术从"听得清"向"演得好"的关键跨越。
