2月18日消息，阶跃星辰、吉利汽车集团联合宣布，双方合作的阶跃两款Step系列多模态大模型，正式向全球开发者开源，即日起可在跃问APP内体验。

其中，阶跃Step-Video-T2V是目前全球范围内参数量最大、性能最好的开源视频生成模型，阶跃Step-Audio则是行业内首款产品级的开源语音交互大模型，堪称最懂中国话。

阶跃星辰(StepFun)是吉利汽车集团的科技生态战略合作伙伴，公司成立于2023年4月，总部位于上海，由微软前全球副总裁姜大昕担任CEO，致力于实现AGI（通用人工智能），2024年下半年其多模态API的调用量增长超45倍。

阶跃Step-Video-T2V的参数量达到300亿，可以直接生成204帧、540p分辨率的高质量视频。

在复杂运动、美感人物、视觉想象力、基础文字生成、原生中英双语输入、镜头语言等方面，它都具备强大的生成能力，而且语义理解和指令遵循能力突出。

网页端体验链接：https://yuewen.cn/videos

同时，阶跃星辰还发布并开源了针对文生视频质量评测的新基准数据集Step-Video-T2V-eval，包含128条源于真实用户的中文评测问题，可评估生成视频在运动、风景、动物、组合概念、超现实、人物、3D动画、电影摄影等11个内容类别上质量。

评测结果显示，阶跃Step-Video-T2V的模型性能在指令遵循、运动平滑性、物理合理性、美感度等方面的表现，均显著超过市面上既有的效果最佳的开源视频模型。

阶跃Step-Audio能够根据不同的场景需求，生成情绪、方言、语种、歌声和个性化风格的表达，能够和用户自然地高质量对话。

模型生成的语音具有超自然、高情商等特征，同时也能实现高质量的音色复刻并进行角色扮演，满足影视娱乐、社交、游戏等行业场景下应用需求。

在LlaMA Question、Web Questions等五大主流公开测试集中，阶跃Step-Audio的行均超过了行业内同类型开源模型，位列第一。

尤其是在HSK-6（汉语水平考试六级）评测中的表现尤为突出，堪称最懂中国话的开源语音交互大模型。

阶跃星辰还自建并开源了多维度评估体系Stepeval-Audio-360基准测试，从角色扮演、逻辑推理、生成控制、文字游戏、创作能力、指令控制等9项基础能力的维度，对开源语音模型进行评测。

人工横评结果显示，阶跃Step-Audio的模型能力十分均衡，且在各个维度上均超过了此前市面上效果最佳的开源语音模型。

值得一提的是，Hugging Face联合创始人、CEO Clement Delangue也对阶跃星辰的大模型称赞不已，认为他将是下一个DeepSeek。