ステップスターは、StepAudio 2.5 Realtimeをリリースしました：主観的な体験スコアがGPT-Realtime-1.5をほぼ18%上回り、時間あたりの通話料金は3.8ドルです。

根据OneMillion_AI的监测，StepAudio发布了端到端实时语音大模型 StepAudio 2.5 Realtime，专注于实现「活人感」对话，支持全维度人设自定义和副语言（语调、停顿、叹息等非语言信号）识别。该模型已完全上线开放平台 API。

根据官方提供的五个维度评估结果（2026年4月测试），该模型在所有维度上均排名第一。其中，最能体现真实体验的主观评估（手机应用真人对话评分）为80.41，GPT-Realtime-1.5为68.01，Gemini Live为67.16。语音问答基准为79.80，几乎是GPT-Realtime-1.5（53.20）的1.5倍。副语言理解为82.18，通用对话为86.36，车载场景为84.80。

该技术路线包括三个关键设计。首先，基于1万多个原生人设，通过算法衍生出百万级人设特征矩阵，并结合大量实际对话语料进行训练，使模型能够在长尾小众话题上保持稳定。其次，针对角色扮演场景进行了专门的RLHF（基于人类反馈的强化学习）对齐，解决了AI在交谈中「人设崩塌」的问题。第三，理解与生成深度融合，继承了StepAudio 2.5 TTS的表现力，实现了全局场景的定调和句内细节的雕琢。

API兼容OpenAI Realtime API协议（基于WebSocket），开发者可以低成本迁移。定价为输入10元/百万token（缓存命中2元），输出70元/百万token，官方估计连续语音通话成本约为3.8元/小时。