22 сентября 2026 г.
В расшифровке разговоров стало меньше ошибок: StepAudio 3 ASR снизил их до 1,7%
22 сентября StepAudio 3 ASR набрал 1,7% ошибок в индексе AA-WER и разделил первое место с Alibaba. Модель работает с загруженными записями через API StepFun, где расчёт идёт по фактическому использованию.
Artificial Analysis
@artificialanlys
StepFun выпустила StepAudio 3 ASR, которая заняла 1-е место в индексе AA-WER среди моделей для нестриминговой расшифровки речи: 1,7% WER. Это заметно лучше результата StepAudio 2.5 ASR, у которой было 4,7%. StepAudio 3 ASR — новая модель StepFun для преобразования речи в текст. Она доступна для нестриминговой расшифровки через API StepFun и стала первой моделью StepFun, которая возглавила наш рейтинг нестриминговой расшифровки речи. Главное ➤ Точность: StepAudio 3 ASR набирает 1,7% в индексе AA-WER и фактически делит первое место с Alibaba Fun-Realtime-ASR-preview, у которой тоже 1,7%. На AA-AgentTalk, нашем закрытом датасете диалогов голосовых агентов, модель лидирует с 1,4%, но на длинных звонках Earnings22 уступает: 2,8% против 1,8% у Fun-Realtime-ASR-preview. ➤ Скорость: модель расшифровывает аудио в 88 раз быстрее реального времени. Она уступает MAI-Transcribe-2 с 374×, Smallest AI Pulse Pro с 285× и Grok Voice Transcribe 2.0 с 154×, примерно равна ElevenLabs Scribe v2 с 84× и Gemini 3.5 Transcribe с 91×, но опережает Fun-Realtime-ASR-preview с 20×. ➤ Цена: StepAudio 3 ASR стоит $0,40 в час, или $6,67 за 1000 минут. Это самая дорогая из пяти самых точных моделей. MAI-Transcribe-2 и Grok Voice Transcribe 2.0 стоят $1,67 за 1000 минут, ElevenLabs Scribe v2 — $3,67, так что за точность разговорной речи уровня лидеров придётся платить больше. Больше подробностей ниже ⬇️
· 6,1 тыс. просмотров
Раньше StepAudio 2.5 ASR делала 4,7% ошибок по AA-WER. Теперь StepAudio 3 ASR делает 1,7%, а индекс собран примерно из 8 часов аудио, половину веса в нём дают диалоги голосовых агентов.
В EmpirioLabs `stepaudio-3-asr-max` вызывают через `POST /v1/audio/transcriptions`. Сервис принимает WAV, MP3, OGG, M4A и PCM.
Скорость и цена. StepAudio расшифровывает запись в 87,9 раза быстрее её длительности, почти на уровне Gemini 3.5 Transcribe с 91,1×. Тысяча минут у StepAudio стоит $6,67, у StepAudio 2.5 ASR она стоила $0,37.
В нестриминговой расшифровке выбор теперь упирается не только в процент ошибок, но и в цену минуты.
Первоисточник
