阶跃星辰开源 130B 端到端语音大模型 Step-Audio-AQAA；MiniMax计划发布独立音频生成应用丨日报

​

开发者朋友们大家好：

这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement） 领域内「有话题的 技术 」、「有亮点的 产品 」、「有思考的 文章 」、「有态度的 观点 」、「有看点的 活动 」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@赵怡岭、@鲍勃

01有话题的技术

1、Manus 推出完全免费的 Chat 模式 无任何使用限制

Manus 宣布推出全新免费聊天模式，用户可通过简洁界面实现日常咨询、知识查询等即时问答。此次更新同步支持无缝切换至代理模式，无需付费即可执行网页设计、数据分析、股票策略生成等复杂任务，显著降低使用门槛。作为全球首款通用型 AI 智能体，Manus 采用多代理架构，能在独立虚拟机中完成从需求解析到成果交付的全链路任务，覆盖金融分析、旅行规划等数十个场景。此前代理模式需订阅或消耗点数。（@AI 智前沿、@三花 AI）

2、StepFun 开源 130B 端到端语音大模型 Step-Audio-AQAA，基于其自研的 Step-Omni 多模态大模型开发，支持包括四川话、粤语等多种语言

StepFun 开源了其最新的大型音频语言模型 Step-Audio-AQAA，并已在 Hugging Face 上线。该模型拥有 1300 亿参数，基于其自研的 Step-Omni 多模态大模型开发。

Step-Audio-AQAA 是一个完全端到端的模型，专注于音频问答（Audio Query-Audio Answer， AQAA）任务。它能够直接处理原始音频输入并生成自然的语音回答，无需依赖传统的 ASR（自动语音识别）和 TTS（文本转语音）模块，从而简化了系统架构并避免了级联错误。该模型支持多种语言，包括中文（含四川话、粤语）、英语、日语等，并能进行精细的语音特征控制。

Step-Audio-AQAA 由双码本音频分词器、骨干 LLM 和神经声码器三个核心模块组成。

流程为：双码本音频分词器将输入音频转换为语言和语义令牌序列；骨干 LLM（经 SFT、DPO 和模型融合后训练）生成文本和音频令牌交错的输出序列；最后，声码器从音频令牌重建高保真语音波形作为响应。

HuggingFace 链接：

https://huggingface.co/stepfun-ai/Step-Audio-AQAA

StepEval-Audio-360 数据集：

https://huggingface.co/datasets/stepfun-ai/StepEval-Audio-360

论文链接：

https://arxiv.org/abs/2506.08967

相关链接：

https://www.stepfun.com/docs/zh/step-audio-aqaa?studio_code=step-audio-aqaa&