Step-Audio-EditX

Step-Audio-EditX 是由 阶跃星辰（StepFun）团队 开发的一款开源音频生成与编辑大模型。它专为实现高表现力、可迭代的语音编辑而设计，普通用户也能轻松上手——只需提供一段参考语音和文字指令，就能对语音的情绪、说话风格甚至语气词进行精细调整。

完整的控制标签请参考：《Step-Audio-EditX 使用技巧和安装方法》

🎯 用户友好功能亮点

• 零样本语音克隆（Zero-Shot TTS）：上传任意几秒语音作为“声音模板”，即可用该声音朗读新文本，支持普通话、英语、四川话、粤语等多种语言/方言。
• 情绪编辑：只需输入如 [Happy]、[Sad]、[Angry] 等标签，就能让合成语音瞬间变得开心、悲伤或愤怒。
• 说话风格控制：支持“撒娇”、“严肃”、“耳语”、“夸张”、“儿童腔”等数十种风格，让语音更富表现力。
• 副语言特征编辑：可精确添加“呼吸声”、“笑声”、“惊讶的‘哇’”、“犹豫的‘嗯’”等自然语气，使合成语音更接近真人表达。

⚙️ 技术架构与优势

Step-Audio-EditX 基于一个 30亿参数的音频大语言模型（Audio LLM），其核心技术包含三大模块：

1. 双码本音频分词器（Dual-Codebook Tokenizer）：将音频高效压缩为离散符号序列；
2. 音频大语言模型：根据文本指令和参考音频，预测新的音频符号序列；
3. 基于流匹配（Flow Matching）的音频解码器：将符号序列高质量还原为自然流畅的波形。