2025年9月1日，阶跃星辰发布开源端到端语音大模型Step-Audio 2 mini，并在多个国际基准测试中取得SOTA成绩。该模型统一语音理解、音频推理与生成，支持语音原生Tool Calling能力，可实现联网搜索等操作。其综合性能超越Qwen-Omni、Kimi-Audio等开源模型及GPT-4o Audio，在音频理解、语音识别、翻译和对话场景中表现突出。例如，在中英互译任务上，其CoVoST 2和CVSS评分分别达39.3和29.1；语音识别任务中，中文CER为3.19，英语WER为3.50，领先其他开源模型15%以上。通过真端到端多模态架构、CoT推理结合强化学习及音频知识增强，Step-Audio 2 mini有效解决传统语音模型智商情商不足的问题，现已上线阶跃星辰开放平台并开源。

微软亚洲研究院前首席研究经理谭旭于8月加入大模型创业公司月之暗面，负责研发端到端语音模型。月之暗面自去年10月起便开始了多模态研究，目前已有约10人团队专注于视频模型的研发，以确保产品更具差异性，发布计划仍在推迟。谭旭曾在微软研究院担任首席研究经理，专攻生成式AI及语音、音频、视频内容生成领域，论文引用量过万，并担任NeurIPS等学术会议的审稿人。谭旭的加入旨在帮助月之暗面开发类似于OpenAI的GPT-4o的语音体验，该技术基于端到端语音技术，具有较低延时和实时互动的特点。相较传统的ASR（自动语音识别）+ LLM（大语言模型）+ TTS（语音合成）方案，端到端技术能显著缩短机器响应时间并支持随时打断，从而提升用户体验。此次人事变动发生在微软亚洲研究院和OpenAI推出创新语音技术之后，显示了当前语音技术领域的激烈竞争。