🌟 引子：从语音到魔法的旅程

想象一下，你对着设备说：“给我来段粤语版的《Rap God》。”几秒钟后，设备不仅完美复刻了你的语气，还带着地道的粤语腔调唱起了 Eminem 的经典。这听起来像科幻小说里的情节，但 Step-Audio 的诞生让这一切成为了现实。

Step-Audio 是业界首个集语音理解与生成控制为一体的开源实时语音对话系统。它不仅能听懂多语言对话，还能表达情感、模仿方言、甚至唱歌和哼唱。今天，我们就来揭开这个语音魔法师的神秘面纱。

🧠 Step-Audio 的大脑：模型组成

🧩 双码本的交响乐：Tokenizer 的奥秘

在 Step-Audio 的世界里，语音被分解成两种“语言”：Linguistic Tokenizer 和 Semantic Tokenizer。

• Linguistic Tokenizer：像一个语言学家，专注于语音的基础结构，码本大小为 1024，码率为 16.7Hz。