StepAudio 3 ASR 與 StepAudio 3：沒有叫這個名字的模型

搜尋 StepAudio 3，你會找到的是一個系列，而非單一模型。StepFun 在 2026 年 9 月 15 日發布的音訊產品，將五款產品置於這個名稱之下——Realtime、ASR、文字轉語音、Gen 與 Music——而其中的轉錄產品 StepAudio 3 ASR，正是此後持續在排行榜上攀升的那一款。StepFun 自家文件稱之為迄今最大 ASR 模型的層級是 StepAudio 3 ASR Max，而與它共用骨幹的對話式同系列產品則是 StepAudio 3 Realtime。如果你想比較「StepAudio 3 ASR」與「StepAudio 3」，你是在把一項產品與一條產品線相比，而答案完全取決於你實際上指的是三者中的哪一個。

本頁解決了這一點。這不是行銷比較——而是你在能正確閱讀任何 StepAudio 3 規格表之前所需的釐清，因為上述三個名稱各自有不同的價格、不同的端點，以及不同的失效模式。

為什麼這個名稱會有歧義？

StepFun 在一天內就推出了整套音訊堆疊，而這套命名慣例讓家族名稱成了每個產品名稱的詞幹。這在發表投影片上看起來很整齊，放到其他任何地方卻都很彆扭。這表示搜尋家族名稱時，會得到五款不同產品混在一起的結果，而一列標示為「StepAudio 3」的基準測試資料，也可能是其中任何一款。

實際的後果是，你無法從標題看出究竟衡量的是哪個東西。一則寫著「StepAudio 3 稱霸轉錄排行榜」的貼文，描述的是 StepAudio 3 ASR。一則寫著「StepAudio 3 在對話動態上勝出」的貼文，描述的則是 StepAudio 3 Realtime。兩者都是真的，它們是不同的產品，而且不能互換。

具體來說，ASR 產品線內部還存在第二個模糊之處。StepFun 的文件將 ASR Max 層級稱為其迄今最大的 ASR 模型，擁有自己的定價與專屬端點，而公開排行榜上的列則使用較樸素的標籤。釐清這兩者究竟是同一個 SKU 的兩個名稱，還是兩個不同的 SKU，是本頁所能做到最有價值的事，而下一節正是要處理這件事。

這個名字可能代表的三件事

• StepAudio 3 ASR — 這款轉錄產品。一個串流端點，會在解碼時逐步回傳文字，並在結束時提供最終轉錄稿。StepFun 將其描述為附帶語言模型以掌握上下文的轉錄，並針對醫療、法律、金融、汽車與程式設計音訊，以及耳語、快速語音、連貫語音、歌唱與背景音樂等困難輸入進行調校。在 Artificial Analysis 的非串流語音轉文字 AA-WER 指標上，這款模型的詞錯誤率為 1.7%。

• StepAudio 3 ASR Max——StepFun 文件稱之為迄今規模最大的 ASR 模型。其公佈牌價為每小時 2.8 元。它不是更便宜的轉錄工具；它是 ASR 產品線中的頂級之作。

• StepAudio 3 Realtime — 全雙工對話模型。它直接對語音進行推理，而不是執行「先轉錄、再推理」的串接流程，並且轉錄是這麼做的副產品。它不是 ASR 產品，而它在轉錄任務上的準確度也不是它當初調校所針對的目標。

家族中其他的一切——TTS、Gen、Music——完全是另一項工作，根本不該出現在轉錄比較中。

ASR 和 ASR Max 是同一個模型嗎？

證據指向「是」，而這項檢核是算術。StepFun 將 ASR Max 等級列為每小時 2.8 元。以約 7.1 元兌 1 美元換算，大約是每小時 0.39 美元，或每 1,000 分鐘約 6.6 美元。Artificial Analysis 在其排行榜上將該模型列為每 1,000 分鐘 6.67 美元。兩組各自獨立公布的數字，一組來自廠商價目表，一組來自第三方排行榜，彼此相差不到 1 美分。如果排行榜那一列和 ASR Max 的價目表費率描述的是同一個 SKU，這正是你會預期的結果。

值得精確說明這證明了什麼、又沒有證明什麼。它證明了排行榜的價格軸與廠商的價目表所描述的是同一款產品、同樣的價格。它沒有證明排行榜上的 1.7% 是在你實際會呼叫的那個確切端點上測得的，因為該排行榜並未公布其解碼設定，也沒有公布它所存取的端點。所以：同一款產品，極有可能；相同的量測條件，則尚未獲得驗證。

可以肯定的是，這條產品線內部的世代躍進。StepAudio 2.5 ASR 在同一份評測基準上為 4.7%，每小時 0.15 元。目前的級別則是 1.7%，每小時 2.8 元。這代表字錯誤率降低了 64%，代價是費率大約高出十九倍——這是該系列中最懸殊的取捨，也是決定這項升級是否值得的關鍵。

實際上不同的維度

一旦命名底定，比較就會收斂成一張簡短清單。以下是會改變決策的項目：

• 準確度 — StepAudio 3 ASR 在非串流模式下為 1.7% AA-WER，而 StepAudio 2.5 ASR 在同一排行榜上為 4.7%。由 Artificial Analysis 測量，而非 StepFun。

• 價格 —— 每小時 2.8 元 vs 每小時 0.15 元。兩者皆為廠商牌價，且均為現行價格。約 19 倍。

• 權重 — 兩者皆僅提供託管 API。整個系列中沒有任何開放權重，沒有地端部署途徑，任何方案層級都沒有自架選項。

• 端點形態——單一串流轉錄端點會回傳增量與最終文字，這與前一代的形態相同。整合模型沒有任何變更，因此移轉只是替換模型識別碼，而非改寫。

• 困難音訊調校 — StepAudio 3 ASR 明確針對耳語、快速、連貫與歌唱語音，以及底下帶有音樂的音訊進行調校。這項調校本身就是產品；前一代並非為此打造。

• 廠商聲稱的領域增益——StepFun 報告指出，相較上一代，中文下降 9.3%、英文下降 25.0%、方言下降 22.3%、垂直領域下降 42.1%，且語碼轉換下降 27.9%。此為廠商自行回報且未經重現，因此應視為方向性參考。

值得注意的是，那份清單中明顯缺少了：上下文長度、音訊格式支援、最大音訊時長，以及模型識別碼。StepFun 針對此模型的公開文件並未載明這些項目，任何引用那些數字的人，引用的其實是別的東西。

ASR 與 Realtime 的比較才是人們真正需要的

如果你是在轉錄產品之間做選擇，而不是在不同世代之間做選擇，那麼真正有趣的對決並非 ASR 對上 ASR Max，而是 ASR 對上 Realtime。StepFun 自家的技術資料指出，兩者共用預訓練與中訓練階段，僅在監督式微調時才分道揚鑣。相同的基礎，不同的微調，不同的產品。

那個單一事實有其實務上的解讀。1.7% 的詞錯誤率是 ASR 微調模型的屬性。它不是對即時模型的承諾；即時模型最佳化的是輪流發言、處理插話，以及對語音進行推理，而不是轉錄準確度。如果你的架構是在即時對話過程中順帶進行轉錄，你買到的就不是那 1.7%，而是一個恰好會輸出文字的對話模型。

反過來也同樣成立，而且比較不明顯：因為它們共用同一個骨幹，ASR 模型並不是硬外掛到這個家族上的小型專用模型。它是同一規模的系統，只是微調方式不同。這就是為什麼 ASR 的價格接近家族中其他成員，而不是接近市場上的廉價端。

如果你只選一個，這個該怎麼處理？

三個問題就能定案。你需要的是逐字稿，還是對話？如果是逐字稿，StepAudio 3 ASR 就是產品，系列名稱只是雜訊。如果是對話，你要的是 StepAudio 3 Realtime，而且根本不該看 ASR 基準測試。而如果你需要的是真正困難音訊的逐字稿——帶口音、低聲細語、歌唱，或背景有音樂——那 19 倍溢價就是為了替這類音訊調校過的等級所付的價格，而最誠實的測試是你自己的音訊，而不是混合指標。

容易做錯的決定，就是把轉錄層視為永久不變。無論你選了什麼，逐字稿都只是某個其他東西的輸入——摘要器、結構化擷取、合規檢查、搜尋索引——而那些呼叫最終都落在一般文字模型上。那才是隨使用量而非音訊分鐘數擴展的層，也是值得從一開始就保持可攜的層。OrcaRouter 把近 200 個文字模型放在單一 API 之後，具備跨供應商的自動容錯移轉、可將多個模型組合成單次呼叫的路由 DSL，以及當單一模型的判斷不足時可用的模型融合。當供應商公布費率時，該定價會不加價直接傳遞，因此文字端的價格變動在公布當天就會反映到你的帳單上。

先把範圍講清楚，因為這個頁面談的是我們並未提供服務的模型系列：OrcaRouter 上沒有任何 StepAudio 3 端點。轉錄與語音模型是透過 StepFun 自家的 API 存取的。OrcaRouter 承載的是轉錄之後的推理層，而在這個環節上，做出切換決策成本低廉，延後卻代價高昂。

沒有人解決的事

命名問題可以解決。效能宣稱則還不行。迄今仍沒有 ASR 模型的公開技術報告，沒有釋出的測試集，沒有解碼設定，也沒有任何來自 StepFun 之外、可重現的協定；而廠商自家的比較對象是其他中文 ASR 產品，而非開放權重的現任霸主。1.7% 是在三個資料集混合指標上真實的第三方量測；這個模型的其他一切，都是廠商的宣稱。

有兩件事會改變局面。一場在相同音訊上與 Whisper Large v3 Turbo 的正面對決，而這場對決沒有人發表過。以及家族其餘成員的費率——StepAudio 3 的五款模型中有四款在推出時仍採用限時免費預覽定價，而只有轉錄與語音合成有公開費率，這意味著你今天能看到的價目表只涵蓋五項產品中的兩項。

那是隨使用量而非音訊分鐘數擴展的那一層，也是從一開始就值得保持可攜性的那一層。跨供應商的自動容錯移轉、將數個供應商組成單一呼叫的路由 DSL，以及當單一模型的判斷不足時所採用的模型融合。