Step-Audio-EditX - 阶跃星辰开源的首个LLM级音频编辑大模型

Step-Audio-EditX是什么

Step-Audio-EditX是开源的音频编辑大模型，由阶跃星辰团队研发，专注于通过人工智能技术实现音频内容的精细操控。模型能动态调整音频的情绪、说话风格（如撒娇、老人腔等）和副语言元素（如笑声、叹气），支持中文、英文、四川话、粤语等多种语言。核心技术在于采用大规模合成数据训练，无需依赖传统嵌入式先验知识，实现跨声音的高表现力编辑。实验显示，模型在情感编辑等任务上超越了Minimax-2.6-HD和DouBao-Seed-TTS-2.0等同类工具。用户可通过Hugging Face和GitHub获取模型及配套工具。

Step-Audio-EditX的功能特色

• 全球首个开源 LLM 音频编辑器：单卡 8 GB 即可跑，4×A800 获影院级音质。
• 30+ 情感滑杆：愤怒、开心、悲伤等强度可多次迭代，越调越上头。
• 15 种说话风格：撒娇、耳语、老人、小孩、严肃、慷慨、夸张一键切换，支持叠加。
• 10 类副语言 token：呼吸、笑声、叹气、oh、en、hnn、uhm 像字幕一样精准插入。
• 零样本 TTS：一句提示克隆任意音色，文本加“[粤语]”“[四川话]”秒出方言。
• 全链路开源：推理代码、训练代码、8bit 量化权重、Gradio Demo、HF Space 一次给齐。
• 大间隔数据驱动：无需额外编码器/adapter，SFT+PPO 实现属性解耦与迭代控制。
• 统一框架：同时搞定 TTS、情感编辑、风格迁移、降噪、语速调节，一站式完成音频创作。

Step-Audio-EditX的核心优势

• 全球首个开源 LLM 音频编辑器：率先把 3B 大语言模型用于语音编辑，代码、权重、训练脚本、在线 Demo 全套开源，单卡 8 GB 可跑，4×A800 即得出版级音质。
• 大间隔合成数据驱动：仅用“同文本、异属性”成对数据做 SFT+PPO，无需额外编码器或 adapter，实现属性解耦与迭代控制，显著降低系统复杂度与推理成本。
• 三轴细粒度迭代控制：情感（30+ 标签）、说话风格（15+ 标签）、副语言（10 类 token）均可多次叠加或削弱，强度滑杆式调节，越调越上头。
• 零样本 TTS + 方言秒切：一句提示即可克隆任意音色；文本前加“[四川话]”“[粤语]”等标签直接输出方言，无需额外训练。
• 性能超越闭源竞品：在情感准确度评测中，一轮编辑即可把 MiniMax-2.6-hd 与豆包 Seed-TTS-2.0 的克隆语音从 50 分提升到 70+，自身迭代三轮后继续领先。

Step-Audio-EditX官网是什么

• Веб-сайт проекта：https://stepaudiollm.github.io/step-audio-editx/
• Репозиторий Github：https://github.com/stepfun-ai/Step-Audio-EditX
• Библиотека моделей HuggingFace：https://huggingface.co/stepfun-ai/Step-Audio-EditX
• Технический документ arXiv：https://arxiv.org/pdf/2511.03601

Step-Audio-EditX的适用人群

• 短视频 / 影视创作者：零样本克隆音色+情感迭代，快速生成多角色、多情绪配音，节省录音与后期成本。
• 播客 / 有声书制作人：一键叠加“耳语/撒娇/严肃”等风格，批量输出不同版本音频，提升内容沉浸感。
• 游戏策划 & 虚拟偶像运营：为 NPC、VTuber 实时插入笑声、呼吸、叹气，打造更鲜活的互动角色语音。
• 广告与营销团队：无需请声优，即可把同一条文案生成“热情/高端/方言”多版配音，适配不同投放渠道。
• 教育内容与语言学习开发者：利用“老人/小孩/方言”标签生成适龄、适地读音，降低教师录音工作量。
• 智能客服/语音助手厂商：在原有 TTS 上直接编辑情绪与风格，快速上线“安抚、促销、严肃”等多场景话术。