阶跃星辰与吉利开源两款多模态大模型：300亿参数视频生成模型Step-Video-T2V和产品级语音交互模型Step-Audio。
原文标题：最大参数 300 亿！阶跃星辰与吉利联合开源两款多模态大模型
原文作者：AI前线
冷月清谈：
Step-Video-T2V是目前全球参数量最大（300亿）的开源视频生成模型，可直接生成204帧、540P分辨率的高质量视频，在复杂运动、人物美感、视觉想象力等方面表现突出，并支持原生中英双语输入。阶跃星辰同时开源了针对文生视频质量评测的新基准数据集Step-Video-T2V-Eval，评测结果显示Step-Video-T2V的性能显著优于现有开源模型。
Step-Audio是业内首款产品级开源语音交互模型，可根据场景需求生成不同情绪、方言、语种、歌声和个性化风格的语音，并具备高质量对话能力。在多个公开测试集和HSK-6评测中，Step-Audio均取得了优异成绩。阶跃星辰还自建并开源了多维度评估体系StepEval-Audio-360，用于全面评估语音模型的各项能力。
吉利汽车集团CEO淦家阅表示，吉利致力于推动AI科技在智能汽车领域的普及，星睿AI大模型已与Step系列大模型完成深度融合，将提升用户智能座舱和智驾出行体验。阶跃星辰CEO姜大昕博士表示，开源旨在分享技术成果，推动多模态模型技术发展和产业落地。
怜星夜思：
2、Step-Audio 被称为“更懂中国话”，这具体体现在哪些方面？除了 HSK-6 评测，还有哪些指标可以衡量 AI 模型对中文的理解程度？
3、阶跃星辰和吉利合作开源这两款大模型，对国内的 AI 生态和智能汽车行业会带来哪些影响？
原文内容
2025 年 2 月 18 日，阶跃星辰和吉利汽车集团联合宣布，将双方合作的阶跃两款 Step 系列多模态大模型向全球开发者开源。其中，包含 目前全球范围内参数量最大、性能最好的开源视频生成模型阶跃 Step-Video-T2V(https://github.com/stepfun-ai/Step-Video-T2V)，以及行业内首款产品级开源语音交互大模型阶跃 Step-Audio(https://github.com/stepfun-ai/Step-Audio)。即日起可在跃问 APP 内体验。
吉利汽车集团 CEO 淦家阅表示：“吉利致力成为智能汽车 AI 科技的引领者和普及者，早在 2021 年，吉利就围绕芯片、软件操作系统、数据和卫星网搭建了端到端的自研体系和生态联盟，构建了完善的‘智能吉利科技生态网’，驱动用户在智能驾驶、智能座舱上的体验不断进化。目前，吉利全栈自研的星睿 AI 大模型已经与阶跃 Step-Video-T2V、Step-Audio 等大模型完成了深度融合，将为用户带来更智能、更高阶的座舱交互与智驾出行体验，推动 AI 科技在智能汽车领域的普及。”
据了解，这也是阶跃星辰首次开源其 Step 系列基座模型。阶跃星辰创始人、CEO 姜大昕博士表示：“阶跃星辰一直以实现 AGI 为目标坚持研发基座大模型。我们深知 AGI 的实现离不开全球开发者的共同努力，开源的初心，一方面是希望跟大家分享最新技术成果，为开源社区贡献一份力量；另一方面，我们相信多模态模型是实现 AGI 的必经之路，但目前尚处于早期阶段，期待与社区开发者集思广益，共同拓展模型技术边界，并推动产业落地。”
阶跃 Step-Video-T2V 是目前全球范围内参数量最大、性能最好的开源视频生成大模型。阶跃 Step-Video-T2V 模型的参数量达到 300 亿，可以直接生成 204 帧、540P 分辨率的高质量视频，这意味着能确保生成的视频内容具有极高的信息密度和强大的一致性。
从生成效果来看，阶跃 Step-Video-T2V 在复杂运动、美感人物、视觉想象力、基础文字生成、原生中英双语输入和镜头语言等方面具备强大的生成能力，且语义理解和指令遵循能力突出，能够高效助力视频创作者实现精准创意呈现。用户可以在跃问网页端和跃问 App 上体验阶跃 Step-Video-T2V 的视频生成能力 。
为了对开源视频生成模型的性能进行全面评测，阶跃星辰还发布并开源了针对文生视频质量评测的新基准数据集 Step-Video-T2V-Eval。该测试集包含 128 条源于真实用户的中文评测问题，旨在评估生成视频在运动、风景、动物、组合概念、超现实、人物、3D 动画、电影摄影等 11 个内容类别上质量。
Step-Video-T2V-Eval 评测结果
评测结果显示，阶跃 Step-Video-T2V 的模型性能在指令遵循、运动平滑性、物理合理性、美感度等方面的表现，均显著超过市面上既有的效果最佳的开源视频模型。
据了解，目前在 跃问网页端 和跃问 App 上，都可以体验 阶跃 Step-Video-T2V 的视频生成能力 。
据阶跃星辰介绍，这款阶跃 Step-Audio 是行业内首个产品级的开源语音交互模型，能够根据不同的场景需求生成情绪、方言、语种、歌声和个性化风格的表达，能和用户自然地高质量对话。模型生成的语音具有超自然、高情商等特征，同时也能实现高质量的音色复刻并进行角色扮演，满足影视娱乐、社交、游戏等行业场景下应用需求。
在 LlaMA Question、Web Questions 等 5 大主流公开测试集中，阶跃 Step-Audio 模型性能均高于行业内同类型开源模型，取得了最高得分。阶跃 Step-Audio 在 HSK-6（汉语水平考试六级）评测中的表现尤为突出，是更懂中国话的开源语音交互大模型。
StepEval-Audio-360 基准测试
此外，由于目前行业内语音对话测试集相对缺失，阶跃星辰自建并开源了多维度评估体系 StepEval-Audio-360 基准测试，从角色扮演、逻辑推理、生成控制、文字游戏、创作能力、指令控制等 9 项基础能力的维度对开源语音模型进行全面测评。通过人工横评后的结果显示，阶跃 Step-Audio 的模型能力十分均衡，且在各个维度上均超过了此前市面上效果最佳的开源语音模型。
2 月 11 日至 2 月 27 日，AI 前线视频号、InfoQ 视频号、霍太稳视频号带来 DeepSeek 系列直播，解析 DeepSeek 爆火背后的技术突破、商业化路径与行业影响。从 纯强化学习复现 o1 能力到算力控制，从创新文化到 AI 竞争格局，每场直播都深度解析一个关键问题。
📅欢迎扫码二维码预约直播，一同探索 DeepSeek 如何引领 AI 领域的创新与未来！
