Step-Audio-EditX，这是一个强大的基于LLM的音频模型，具有 3B参数，专门用于表达性和迭代音频编辑。它在编辑情感、说话风格和副语言方面表现出色，并且还具有强大的零样本文本转语音 (TTS) 功能。

核心功能：像编辑文本一样编辑声音

1. 多维度情感与风格控制

• 情感编辑
• 支持愤怒、喜悦、悲伤等数十种标签，强度可迭代增强或减弱。例如，将平淡的问候升级为“热情洋溢的推销语气”。
• 风格编辑
• 提供童声、耳语、老人等十余种风格，支持叠加（如“撒娇+严肃”）。
• 副语言插入
• 精准添加呼吸声、笑声、叹气等10类自然token，增强真实感。

2. 零样本TTS

无需录音样本，仅凭文本即可生成语音。

3. 迭代式编辑与跨模型泛化

支持多轮微调，逐步优化效果（如“再温柔一点→延长笑声0.3秒”）。

可编辑闭源模型生成的音频（如GPT-4o-mini-TTS），突破平台限制。

技术原理：大边距数据驱动的范式革命

• 大边距合成数据训练
  Step-Audio-EditX通过零样本语音克隆生成“同文本、异属性”音频对 （如同一句话的平静版与愤怒版），结合LLM评分筛选高质量样本。
• 两阶段后训练策略
  • 监督微调（SFT）：在混合文本-音频数据上训练，支持零样本TTS和基础编辑。
  • 强化学习（PPO）：引入人类标注和LLM-as-a-Judge生成的偏好数据，优化复杂编辑任务（如从快乐生成悲伤语音）。
• 性能对比：超越闭源模型

官方链接：

• https://huggingface.co/stepfun-ai/Step-Audio-EditX
• https://huggingface.co/stepfun-ai/Step-Audio-Tokenizer

【Step-Audio-EditX】模型已经在趋动云『社区项目』上线，无需自己创建环境、下载模型，一键即可快速部署，快来体验【Step-Audio-EditX】带来的精彩体验吧！

项目入口

• 【Step-Audio-EditX】迭代音频编辑：

https://open.virtaicloud.com/web/project/detail/645910285378613248

类似语音合成项目：

• 【maya-research/maya1】：

https://open.virtaicloud.com/web/project/detail/644440064230912000

• 【Supertone/supertonic】超小文本合成语音模型：

https://open.virtaicloud.com/web/project/detail/648371162766106624

视频教程

云平台一键部署【Step-Audio-EditX】迭代音频编辑_哔哩哔哩_bilibili

启动开发环境

【Step-Audio-EditX】项目主页中，点击运行一下，将项目一键克隆至工作空间，『社区项目』推荐适用的算力规格，可以直接立即运行，省去个人下载数据、模型和计算算力的大量准备时间。

配置完成，点击进入开发环境，根据主页项目介绍进行部署。

使用方法

在gemini/code中找到使用说明，选中使用说明单元格，点击运行。

等待生成local URL，右侧添加端口7860。

项目使用方法

示例展示:（音频示例可在趋动云公众号查看：https://mp.weixin.qq.com/s/ll7coGEU1P4ufsbZQnZQ8A）

➫温馨提示： 完成项目后，记得及时关闭开发环境，以免继续产生费用！