不知道大家现在打字是不是和我一样，现在打字软件的语音输入法准确率直线上升，基本日常打字，特别是手机上的打字，更多都是“用嘴打字”。
当然，这个准确率的直线上升，绝大部分的功劳都要归功于AI的出现，大模型能理解说话的意图以及识别同音字，识别率自然就大大提升。
而就在前段时间，我就刷到了阶跃星辰发了个 StepAudio 3，说把跟声音有关的活儿拆成了五个模型——ASR、TTS、Realtime、Gen、Music 分别对应听、说、聊、演、唱五个语音领域，各管一摊。
而且还在 Artificial Analysis 榜单中位列全球第一。
这个就提起了我的兴趣了，要知道，我之前也给大家测试过其他的语音模型，那么这款第一的模型和之前的有什么进步呢？我就试了一下。
一、主管听的 ASR
对于 ASR，其实我本来没抱希望。
真如我开头说的，微信输入法、豆包我都玩过，现在语音转文字再叠点 AI，正确率 90% 往上都跟白给一样。
你说它比那俩强多少？我没觉得拉开代差。所以我特意上了点难度，下载了一个菜市场的白噪音，再融合说话的声音，想看看它能分辨出来多少。
结果呢？在嘈杂的环境下，它的辨识能力确实很不错。
例如说原声里面的一些数字 135、8021，还有下午三点半，这些关键的数字，它全部都在杂音中听清楚了，而且语音中该做的事，也大部分都正确了。
还有一些词汇，虽然不影响理解，但也并没有完全正确，例如说"老是飘"，它自动改成"很飘"；"看下"变成"看一下"，它自己按理解给我换同义词。
这些东西确实还能理解，毕竟其他很多输入法也会有同样的错。
但却还是有一些问题，特别是一些关键的细节，它完全听错了。
例如说名字上，原本是"陈志明"，它给我写成"周志明"。一个字，整段主语换人了。结尾的"回公司"变成"回去修"，在行动上也完全做了改变。
当然，整体效果我还是挺满意的，毕竟这个测试本来我就给他增加了难度，能在高难度下依然识别出 95% 以上的内容，算是很不错的结果了。
二、主管说的TTS
这个模型主要管的是说话，就是能直接生成人说的话，甚至还能附带情绪的那种。
说真的，之前我测试的很多AI语音大模型，基本都是不会有语气、情绪这一栏的，这个让我觉得特别意外。
所以我做了个测试，试着同一句话，同一个声线，让AI试着用不同的语气说出来，看是不是真的有效：
“呃，就是……那个，我跟你讲啊，今天这事，唉，怎么说呢，我本来是想好好说的，结果你倒好，一句话就把我噎回来了。我当时就，哎——算了算了，我也懒得说了，反正，说了你也不听，对吧。”
这句话我特意给了很多语气词在里面，看看AI能不能根据我给的语气揣摩出来。没想到出来的结果却是很有意思，它竟然真的说出了不一样的感受出来。
当阴阳怪气的时候，确实能隐隐约约听出话语中背后的嘲讽和挖苦，特别是“你倒好”这些词汇，语调上非常能感受到情绪。
当疲惫疲劳的时候，语速确实慢下来了，像“哎”之类的叹气中，也能感受到是那种无能为力，非常疲惫的感觉。
当要她升高情绪时，确实能感受到话语从最初的平静，慢慢到情绪的抬升，特别是“结果你倒好”声调一下子提升，能感受到语气的明显变化。
有了人味之后，AI配音能比之前干更多的事，例如说视频、游戏、有声书的配音，也会有更多的选择。
三、主管演的Gen
如果说上面的TTS主要是扮演人的话语，那这里的Gen我觉得就更有意思了，它是TTS的升级版。
它不仅能生成人的话语，还能生成背景音、音效等等，简单来说，它能直接生成一个故事，只要把人物说话的顺序、音效、背景全部搭好，它就能直接给你生成一个语音故事出来。
我尝试生成了一个深夜一家三口对话的场景。
出来的音频我是觉得挺有意思的。
首先，继承了前面TTS的优势，三个人——父亲、母亲、孩子的声音都是能分开的，而且也各有情绪。
例如说孩子只剩下最后一关，想再玩一会游戏的求饶声，母亲的情绪升降，以及父亲对于孩子讨价还价时的打趣。
所有话语既没有叠在一起的鬼畜，你能明显听出来这是一家子人，而不是三个ai在读稿。
但是这个模型我自己感觉仍有缺点，例如说我是给音频设置了效果音的，但是一直抽不出来，可以看到，在这方面它并非长处。
但整体完成度确实很可以，能生成出有效果音和背景音，而且人声也非常有情绪，这样故事感就已经很足了。关键门槛还很低，全部用文字描述就能完全使用，非常简单。
四、主管唱的Music
对于音乐生成的话，我尝试生成了一个有意思的歌曲——死亡金属版《生日快乐》。
出来的歌曲也挺有意思的，失真的吉他，人声是撕裂的那种死腔，地狱感拉满。非常魔幻的是，即使这么死亡金属，但"生日快乐"四个字清清楚楚，你一听就知道是祝寿的。
当时AI还给这首歌取名《地狱贺寿》，确实魔化又离谱。
当然，歌曲生成的话，现在很多AI软件都能生成出很不错的整曲音乐，所以对此我也没有很意外。但阶跃星辰却多了两个新的功能，叫做“歌曲改编”和“清唱配乐”。
这两个功能倒是新鲜，难道这个可以根据原曲生成改编的歌曲吗？
但事实这两个功能却翻车得挺狠的。
首先是歌曲改编，我给了它一首《小兔子乖乖》，想着用儿歌来生成一首恐怖歌曲，没想到直接翻车了。
不知道是AI辨认不出原曲的歌词，还是它原本就不懂改编，生成出来的歌曲，整首只认出一个"开"字，弄出个恐怖风但一句词没有。
严重怀疑是不是在“鬼打门”一直喊“开！”
其次是“清唱配乐”，同样的问题。我试着自己哼唱，让它给我配乐，想着我这五音不全，是不是可以让AI帮我修修音，再配个好一点的配乐。
谁知道出来的还是没有歌词的音乐，八竿子打不着，跟原曲毫无关系。
所以Music这里的功能，虽然有3个，但这么看的话，其实主要还是围绕“音乐生成”这一个关键的功能。
五、主管聊的Realtime
现在实时聊天这个功能，绝大部分AI工具都有，例如说豆包，基本都在线。
所以我的计划是，不断地打断它，反复折腾它，看它会不会崩。
上来就丢一句：「帮我在网上查查公司附近那家川菜馆，评分咋样、人均多少。」
然后我开始发疯——“算了查火锅店”，“不对我要看招牌菜”，“哎营业时间也查下”，”就查个不咋起眼的那种馆子啊”。
开始了我的夺命四连问，而且我不是等它说完再改，是它刚冒出半个音我就把话堵回去，专挑它最想接话的节骨眼截胡。
有意思的来了。
第一，它收声特别快。我一张嘴，它那边立马噤声，没有那种「我这句话念完你再讲」的臭毛病。
第二，它没把整段对话推倒重来。就顺着我说「换火锅、加招牌菜、加营业时间、要低调」，前面查川菜那句它自己消化了，不啰嗦。
最关键的第三点：从头到尾，它都老老实实待在「查资料」的框里。没忽悠我说「已经帮你订好了」，也没脑补一个它根本打不了的电话。
知道自己几斤几两，这点比豆包要更聪明，不会为了讨好而骗人。
一方面是它会接话，另一方面我们把需求改了四遍，它也能接话干活，这方面，我倒觉得这个实时聊天工具非常实用。
所以说整体测下来，这五个语音模型确实是各有特色，但也并没有说非常惊艳，依然逃不出AI特有的需要抽卡的特性，而且偏科非常厉害。
本来的话，听、说、聊、演、唱五个功能齐全，但现在来看，听、说、演、聊天都算不错，特别是语音生成，自带情绪语气确实很难得。
但确实有点偏科，在音乐歌唱方面，只能说和市面上的ai并无突出优势，不过要是想一个工具解决所有声音上的内容，那这确实是个非常不错的选择。而且现在每天还有非常多的使用额度，目前来看还是很经济实惠的。
作者：ZJ
