%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
StepFun AI 近日發佈了其開源的音頻編輯模型 Step-Audio-EditX，這一創新的3B 參數模型將音頻編輯的操作變得像文本編輯一樣直接和可控。通過將音頻信號的編輯任務轉換爲逐字的令牌操作，Step-Audio-EditX 使得表達性的語音編輯變得更加簡單。
目前，大多數零樣本文本到語音（TTS）系統在情感、風格、口音和音色的控制上都顯得有限。儘管它們可以生成自然的語音，但往往無法精確地符合用戶的需求。過去的研究嘗試通過額外的編碼器和複雜的架構來拆分這些因素，而 Step-Audio-EditX 則通過調整數據和訓練目標來實現控制。
Step-Audio-EditX 採用了雙代碼本的標記器，將語音映射爲兩個令牌流，一個是以16.7Hz 的速率記錄的語言流，另一個是以25Hz 的速率記錄的語義流。模型在一個包含文本和音頻令牌的混合語料庫上進行了訓練，使其能夠同時處理文本和音頻令牌。
該模型的關鍵在於採用大邊距學習的方法，後續訓練階段利用合成的大邊距三元組和四元組來增強模型的表現。通過使用約60000名說話者的高質量數據，模型在情感和風格編輯方面表現出色。此外，模型還利用人類評分和偏好數據進行強化學習，以提高語音生成的自然性和準確性。
爲了評估模型的效果，研究團隊引入了 Step-Audio-Edit-Test 基準，使用 Gemini2.5Pro 作爲評判工具。測試結果顯示，經過多輪編輯，模型在情感和說話風格的準確性上都顯著提升。此外，Step-Audio-EditX 還可以有效提升其他閉源 TTS 系統的音頻質量，爲音頻編輯的研究帶來了新的可能性。
論文:https://arxiv.org/abs/2511.03601
劃重點:
🎤 **StepFun AI 推出 Step-Audio-EditX 模型，使音頻編輯更簡便。**
📈 ** 該模型採用大邊距學習，提升情感和風格編輯的準確性。**
🔍 ** 引入 Step-Audio-Edit-Test 基準，顯著提升音頻質量評估。**