Rapport technique de Step-Audio 2

Step-Audio 2 Technical Report

July 22, 2025

papers.authors: Boyong Wu, Chao Yan, Chen Hu, Cheng Yi, Chengli Feng, Fei Tian, Feiyu Shen, Gang Yu, Haoyang Zhang, Jingbei Li, Mingrui Chen, Peng Liu, Wang You, Xiangyu Tony Zhang, Xingyuan Li, Xuerui Yang, Yayue Deng, Yechang Huang, Yuxin Li, Yuxin Zhang, Zhao You, Brian Li, Changyi Wan, Hanpeng Hu, Jiangjie Zhen, Siyu Chen, Song Yuan, Xuelin Zhang, Yimin Jiang, Yu Zhou, Yuxiang Yang, Bingxin Li, Buyun Ma, Changhe Song, Dongqing Pang, Guoqiang Hu, Haiyang Sun, Kang An, Na Wang, Shuli Gao, Wei Ji, Wen Li, Wen Sun, Xuan Wen, Yong Ren, Yuankai Ma, Yufan Lu, Bin Wang, Bo Li, Changxin Miao, Che Liu, Chen Xu, Dapeng Shi, Dingyuan Hu, Donghang Wu, Enle Liu, Guanzhe Huang, Gulin Yan, Han Zhang, Hao Nie, Haonan Jia, Hongyu Zhou, Jianjian Sun, Jiaoren Wu, Jie Wu, Jie Yang, Jin Yang, Junzhe Lin, Kaixiang Li, Lei Yang, Liying Shi, Li Zhou, Longlong Gu, Ming Li, Mingliang Li, Mingxiao Li, Nan Wu, Qi Han, Qinyuan Tan, Shaoliang Pang, Shengjie Fan, Siqi Liu, Tiancheng Cao, Wanying Lu, Wenqing He, Wuxun Xie, Xu Zhao, Xueqi Li, Yanbo Yu, Yang Yang, Yi Liu, Yifan Lu, Yilei Wang, Yuanhao Ding, Yuanwei Liang, Yuanwei Lu, Yuchu Luo, Yuhe Yin, Yumeng Zhan, Yuxiang Zhang, Zidong Yang, Zixin Zhang, Binxing Jiao, Daxin Jiang, Heung-Yeung Shum, Jiansheng Chen, Jing Li, Xiangyu Zhang, Yibo Zhu

cs.AI

papers.abstract

Cet article présente Step-Audio~2, un modèle de langage multimodal de bout en bout conçu pour la compréhension audio et les conversations vocales à l'échelle industrielle. En intégrant un encodeur audio latent et un apprentissage par renforcement (RL) axé sur le raisonnement, Step-Audio 2 obtient des performances prometteuses en reconnaissance automatique de la parole (ASR) et en compréhension audio. Pour faciliter des conversations vocales véritablement de bout en bout, Step-Audio 2 intègre la génération de tokens audio discrets dans la modélisation du langage, améliorant ainsi considérablement sa réactivité aux informations paralinguistiques telles que les styles de parole et les émotions. Pour exploiter efficacement les riches connaissances textuelles et acoustiques des données du monde réel, Step-Audio 2 intègre une génération augmentée par récupération (RAG) et est capable d'utiliser des outils externes tels que la recherche web pour atténuer les hallucinations et la recherche audio pour changer les timbres. Entraîné sur des millions d'heures de données vocales et audio, Step-Audio 2 offre intelligence et expressivité dans divers scénarios conversationnels. Les résultats d'évaluation montrent que Step-Audio 2 atteint des performances de pointe sur divers benchmarks de compréhension audio et conversationnelle par rapport à d'autres solutions open-source et commerciales. Pour plus d'informations, veuillez visiter https://github.com/stepfun-ai/Step-Audio2.

English

This paper presents Step-Audio~2, an end-to-end multi-modal large language model designed for industry-strength audio understanding and speech conversation. By integrating a latent audio encoder and reasoning-centric reinforcement learning (RL), Step-Audio 2 achieves promising performance in automatic speech recognition (ASR) and audio understanding. To facilitate genuine end-to-end speech conversation, Step-Audio 2 incorporates the generation of discrete audio tokens into language modeling, significantly enhancing its responsiveness to paralinguistic information such as speaking styles and emotions. To effectively leverage the rich textual and acoustic knowledge in real-world data, Step-Audio 2 integrates retrieval-augmented generation (RAG) and is able to call external tools such as web search to mitigate hallucination and audio search to switch timbres. Trained on millions of hours of speech and audio data, Step-Audio 2 delivers intelligence and expressiveness across diverse conversational scenarios. Evaluation results demonstrate that Step-Audio 2 achieves state-of-the-art performance on various audio understanding and conversational benchmarks compared to other open-source and commercial solutions. Please visit https://github.com/stepfun-ai/Step-Audio2 for more information.