Step-Audio 2 mini：语音对话里，语气也能成为输入
为什么值得关注
适合探索需要听懂表达方式的语音助手：除了话语内容，还能把情绪、音色等声音线索纳入交互设计。
适合谁：设计语音助手、口语交互原型的开发者，以及关心语音模型能听到什么的用户
这次有哪些亮点
- 官方材料把语义与语气、音色等线索放在同一交互中
- mini、mini Base 与 mini Think 有独立下载入口
- 中英文演示可用来理解输入输出，但不代表 mini 的通用正确率
使用前需要知道
usage.jpg 属于 Step-Audio 2 家族示意，不是 mini 实测；本地需 Python、PyTorch 与 CUDA，在线服务需账户/API Key，本文未核定费用或测量中文质量。
语音助手如果只接收到转写文字，就容易丢掉说话方式里的信息：一句话是在低声请求、急促追问，还是带着犹豫说出口？Step-Audio 2 mini 所在项目值得关注的主线，是把语音作为带有语义和表达线索的输入，再组织回答。对口语交互原型，这比单独增加一个朗读按钮更有探索价值。
先认清可取得的对象。Step-Audio 2 是研究与演示使用的家族名称，仓库在 2025 年 8 月 29 日公布 mini、mini Base，随后在 9 月 15 日公布 mini Think 及相应示例。本文的采用入口以 Step-Audio 2 mini 为主，不能把家族中其他型号的成绩、应用演示全部算在它身上。
从一句中文提问看交互怎么走
官方 usage.jpg 把多种交互排在一张图里。右列有一条中文语音请求，请模型翻译关于长城的句子，蓝色回答气泡给出英文表达；接着用户继续要求用悲伤的方式说，再要求改成耳语，回答的文字内容保持为同一句英文，表达要求则发生变化。
这个连续案例最有用的地方，是把两个任务分开给人看：先理解音频里的翻译要求并组织内容，再根据后续要求改变说话方式。用于口语学习原型时，可以据此理解为什么输入、对话上下文和输出语音要一起设计。这是官方家族演示的判读，图中没有标明每段都由 mini 生成，也没有提供本文独立复现的音频。
官方 usage.jpg。先看右列中文提问与后续语气要求，再看底部对声音线索的文字描述。气泡内的秒数是示意中的音频时长，不是回答延迟；静态图不能让人听出情绪是否自然。原图较长，可打开查看细节。
听到了什么，与该怎样回答
图的底部还有一段对话：用户表示自己有些不安、想聊一聊。说明文字除了话语含义，还描述了说话者、温和而略带思索的语气、速度以及轻微背景噪声，随后展示一种耐心回应的组织方式。这里体现的是家族研究希望利用的声音信息，而不是给用户做情绪诊断。
这种能力对交互设计的启发很具体。同样一句请求，系统是否需要放慢回答、先确认意思，取决于语义之外的声音线索是否被保留。仓库将它称为副语言信息，包括音高、节奏、情绪和音色等。对非专业读者，可以理解为“这句话是怎样说出来的”，而不必先学习一组音频术语。
不过，声音线索是模型的判断，不能当成说话者身份或真实心理状态的确定事实。对涉及真实用户的原型，合适的用法是调整对话方式，并允许对方澄清。本文也没有据这些示意声称 mini 能准确识别所有中文语气。
mini 与 Think 要分别选择
官方仓库为 mini、mini Base 和 mini Think 提供各自的权重入口及推理脚本。想按现有对话示例探索的人，可以先看 mini；研究 Think 路径则应读其对应示例，不能只把普通 mini 的文件换个名字。家族评测表也把 Step-Audio 2 与 mini 分列，说明选择时需要盯住确切型号。
这比只看一张综合雷达图更有帮助：语音识别、声音理解与口头回答是不同环节。即使某一测试集上的文字识别表现不错，也不能推出它在方言聊天中一定能给出合适回答。官方中英文材料让人看清交互方向，却没有替实际场景完成验收。
试用入口与采用条件
mini 模型页提供下载，官方仓库有推理示例和本地 Gradio 演示。资料要求 Python 3.10 及以上、PyTorch 与 CUDA 环境；对需要较快或流式推理的开发者，另有官方 vLLM 后端。这是一条需要计算资源的模型路线，不能把“mini”理解为普通电脑都可无门槛运行。
代码和公开 mini 系列标注 Apache 2.0。在线入口另有账户、API Key 和服务费用条件：此次读取的 mini 模型卡所列 Audio Studio 已提到其他家族型号，因此不宜把它宣传成 mini 随时可用的免费试玩。要验证 mini 本身，优先对照权重与本地官方示例；要体验在线产品，则在服务内确认实际选中的模型和计费。
参考资料
以上为编辑整理，功能、许可与使用条件以官方说明为准。