语音编辑新时代：像修改文字一样编辑语音
在人工智能重塑文本和图像生成的时代，语音编辑终于迎来重大突破。StepFun AI最新开源项目Step-Audio-EditX，让语音编辑变得像修改文字一样简单直观。
从复杂波形到简单标记：语音编辑的根本变革
传统语音编辑需要处理复杂的波形信号，操作门槛极高。Step-Audio-EditX采用30亿参数音频语言模型，将语音转化为文本标记级别的操作。
这意味着开发者现在可以：
- 直接编辑语音情感和语调
- 调整说话风格和语气
- 控制呼吸声等细节特征
精准控制：超越声音模仿
现有语音系统大多只能模仿声音，缺乏精准控制能力。Step-Audio-EditX通过创新架构实现真正可控：
模型不再依赖复杂编码器，而是通过改变数据结构实现控制。它学习文本相同但属性不同的语音对，掌握在保持内容不变的前提下调整各种语音特征。
核心技术：双码本分词与30亿参数模型
Step-Audio-EditX采用双码本分词器架构：
- 语言流：16.7Hz采样率，1024个标记
- 语义流：25Hz采样率，4096个标记
- 两者以2:3比例交错排列，完美保留语音特征
基于此构建的30亿参数音频LLM，在文本和音频混合数据上训练，始终输出双码本标记序列。
创新训练：大间隔学习与数据策略
大间隔学习是模型的关键创新。模型学习在差异明显的语音属性间转换，实现精准控制。
训练数据覆盖6万名说话人，包含中文、英语、粤语和四川话。通过人工配音与系统生成结合，确保数据质量。
两阶段训练：从理解到优化
- 监督微调：模型学习语音合成和编辑任务
- 强化学习：优化对自然语言指令的响应能力
这种训练方式让模型真正理解人类指令意图。
卓越性能：评测结果令人惊艳
团队推出Step-Audio-Edit-Test评测标准，结果显示：
- 中文情感准确率：57.0%提升至77.7%
- 风格准确率：41.6%提升至69.2%
- 英文表现同样优秀
更重要的是，该模型能显著提升GPT-4o mini TTS、ElevenLabs等商业系统的表现。
开源共享：降低语音编辑门槛
StepFun AI选择全栈开源策略，发布模型权重和训练代码。这极大降低了语音编辑研究门槛，推动技术普及。
项目资源：
项目地址：https://stepaudiollm.github.io/step-audio-editx/
技术论文：https://arxiv.org/pdf/2511.03601
GitHub代码：https://github.com/stepfun-ai/Step-Audio-EditX
在线体验：https://huggingface.co/spaces/stepfun-ai/Step-Audio-EditX
Step-Audio-EditX代表了语音编辑技术的重大飞跃。它将复杂的语音处理转化为直观的标记操作，让语音编辑真正达到文本编辑的流畅体验。
