Step-Audio-R1.5 是什么：阶跃星辰更懂“怎么说”的音频推理模型

它是什么

Step-Audio-R1.5 是阶跃星辰 Step-Audio-R1 音频推理模型的研究更新，官方在 2026 年 4 月 29 日发布了技术报告，并开源了三个自研的评测基准，推理代码也放在了 Step-Audio-R1 的 GitHub 仓库里。前一代 Step-Audio-R1 在 2025 年 11 月发布并开放了权重和推理代码。R1.5 是否单独开放权重，以仓库说明为准。

它想解决什么问题

近来面向推理的音频模型，靠延长思维链在客观基准上取得了不错的成绩，但它们通常用可验证的奖励信号来优化，也就是“答案对不对”。问题是，这种训练会把丰富的听觉交互压缩成一个个孤立的标签。语音对话里，除了说什么，怎么说同样重要：语调是否自然，情绪是否前后连贯，长时间对话是否让人有沉浸感。只盯着答对率训练出来的模型，可能答得准，听起来却生硬。

Step-Audio-R1.5 的目标就是跳出这个局限：不只是最大化基准上的正确率，还要保留韵律的自然、情感的连续，以及长轮次口语对话的沉浸感。这代表了音频模型训练目标的一个转向，从“考试型”往“交流型”走。

三个开源评测基准

这次一并开源的三个独立评测基准，放在仓库的 benchmarks/Step-Audio-R1.5 目录下，各自有说明文档介绍数据集细节。对行业来说，评测基准的开源和模型本身一样有价值：衡量“说得自然不自然、情绪连不连贯”比衡量对错难得多，公开的基准让不同团队能在同一把尺子下比较。

适合谁

做语音助手、陪伴式对话、语音客服的团队，可以关注它的训练思路和评测方法，用开源的基准评估自己的模型在自然度上的表现。研究语音大模型的研究者，技术报告里关于奖励设计的讨论很值得一读。AI 主线的看法是：语音模型越来越会“想”，但用户最直接的感受是“好不好听、像不像在聊天”，Step-Audio-R1.5 把这一点写进训练目标，方向是对的。