StepFun lança modelo de voz StepAudio 2.5 Realtime com suporte a roleplay

StepFun lançou o modelo de voz de nova geração StepAudio 2.5 Realtime. O modelo funciona end-to-end, reproduz fala em tempo real e pode adaptar a voz para qualquer cenário através de personas completamente personalizáveis.

Como o modelo funciona

O StepAudio 2.5 Realtime é um sistema integrado para trabalhar com voz, combinando reconhecimento e síntese de fala. O modelo se conecta via API WebSocket e suporta tanto chinês quanto inglês. O processamento em tempo real significa que a resposta chega com latência mínima, o que é crítico para aplicativos interativos e assistentes de voz. O principal destaque do StepAudio são personas completamente personalizáveis sem retreinamento. Não é simplesmente uma mudança de voz, mas uma adaptação completa ao contexto: o modelo altera o tom, estilo de fala, até o sotaque dependendo de quem ou o que ele deve dublar. Isso é especialmente importante para dublar personagens e criar assistentes personalizados.

Paralinguística e naturalidade

O modelo foi treinado com reinforcement learning especial (RLHF) para compreender a paralinguística — tudo o que vai além da fala comum: entonação, ritmo, carga emocional, pausa no lugar certo. Os sistemas de voz padrão frequentemente soam monótonos e artificiais. O StepAudio 2.5 Realtime resolve esse problema, tornando a fala mais viva e expressiva. Os destaques do modelo incluem:

• Personalização completa de personas sem retreinamento
• Compreensão profunda da paralinguística (entonação, tempo, emoções)
• Síntese em tempo real via API WebSocket
• Suporte para chinês e inglês
• RLHF especial para roleplay e dubagem

Resultados nos benchmarks

Em abril de 2026, o StepAudio 2.5 Realtime passou por testes independentes em cinco parâmetros e ficou em primeiro lugar em todos. O resultado mais impressionante é 80,41 pontos na avaliação humana, o que significa que as pessoas consideram este modelo muito próximo da fala natural. Na compreensão da paralinguística, o modelo obteve 82,18 pontos. Isso significa que o modelo não apenas gera som, mas realmente 'compreende' os significados e emoções por trás das palavras. Para assistentes de voz, isso é crítico — eles devem soar como um interlocutor real, não como um robô repetindo texto.

O que isso significa

O StepAudio 2.5 Realtime é um passo em direção a sistemas de voz mais naturais que competem com OpenAI Voice e ElevenLabs. Para desenvolvedores, isso significa o surgimento de uma ferramenta poderosa para criar aplicativos com interface de voz e emotividade real.