2026年9月9日至11日，第27届中国国际光电博览会（CIOE 2026）在深圳国际会展中心（宝安）举行。中科融合携Iris Green、Iris Color、Iris AR及NANO微小型多模态高速扫描模组亮相2号馆2A157展位，展示自主MEMS智能光学平台在骑行HUD、车载投影、AR近眼显示及机器人3D感知领域的应用成果——以米粒大小的MEMS微振镜为核心器件，将显示与感知能力延伸至骑行、车载、AR与机器人等多元终端。 本次参展，中科融合围绕MEMS芯片、光学设计、算法控制与模组集成，呈现从核心器件到应用模组的技术链条。基于同一芯片技术，形成“光显示”与“光感知”两大产品线：四款代表性展品分别面向信息显示与空间感知需求，展现同一MEMS技术平台在不同终端中的延展能力，为汽车、AR、机器人及智能硬件领域的产品开发，提供从核心器件到可量产方案的完整光学解决方案。 从车载投影到AR眼镜，拓展MEMS-LBS空间显示应用 随着显示功能向汽车、移动设备和可穿戴终端延伸，光机的体积、功耗与集成方式，正在成为产品设计中的关键约束。传统投射方案受制于体积、功耗与户外显示能力，难以满足移动与便携场景的需求。中科融合以自主MEMS微振镜为核心，发展MEMS-LBS（激光束扫描）显示技术，通过控制激光束高速扫描形成图像，将小型化、免调焦与低功耗整合为系统级能力：无需透镜、无需对焦，在任何距离与角度下均可保持画面清晰，为数字信息融入汽车座舱、骑行视野与日常佩戴场景提供显示基础。 Iris Green作为面向骑行场景的抬头显示，将导航方向、骑行数据及提醒信息直接投射至骑行者前方路面，采用免调焦显示方式，使骑行者在行进过程中无需转移视线即可获取信息；同时支持车队标识、个性图案等内容的路面投射，为团队骑行提供可视化互动方式。 Iris Color面向车载全彩投影应用，凭借贴地安装即可覆盖整车侧身幅面的超宽视场角，实现迎宾光毯、动态地面投影及座舱氛围显示等应用场景，以紧凑型光机与灵活投射能力，适配整车有限安装空间及多样化显示需求。 面向AR近眼显示，中科融合持续推进光机微型化：光模组体积约0.9cc，典型入眼亮度达到10000 nits，在正午强光环境下画面依然清晰锐利；在平均画面亮度（APL）为20%的条件下，典型功耗约0.15 W，可显著降低显示系统功耗、缓解整机续航压力。Iris AR以体积、亮度与功耗的综合优势，为轻量化信息显示终端提供可直接集成的微型光机方案，支持导航、提词、消息提示等应用方向的快速开发。 从车载投影到骑行HUD，再到AR近眼显示，中科融合持续复用并迭代MEMS扫描、激光控制、算法补偿及光机集成能力，形成覆盖多个终端的统一技术架构。相关MEMS微振镜模组已通过AEC-Q100相关可靠性测试，车规级认证为车载应用的工程化导入提供了器件层面的必要保障。 NANO聚焦机器人末端，支撑近距离精细作业 在光感知方向，中科融合聚焦具身智能的末端感知需求——头部视觉存在盲区，指尖触觉反馈滞后，在执行操作前对物体细节的实时感知尤为关键。NANO微小型多模态高速扫描模组面向机器人手腕及末端执行器的有限安装空间，以约一部手机重量的轻量形态，将近距离三维视觉部署于更靠近操作对象的位置，为抓取、插接、装配及位姿纠偏等精细任务提供亚毫米级空间数据。 NANO基于自主MEMS面阵结构光技术，工作距离覆盖100—400 mm，支持15 fps、每帧30万点或10 fps、每帧130万点的点云输出，并可同步输出三维点云与彩色图像。在机械臂与工件同步运动的动态工况下，系统仍能保持稳定精度：三维点云与2D图像信息相结合，使目标识别、定位与动态作业引导不再依赖静态成像，实现动态环境下的持续感知。 针对更复杂的工业作业需求，NANO PRO采用面结构光与线移扫描相结合的双模态方案，可应对高反金属、黑色吸光材料、透明件等常规三维成像难以处理的材质，覆盖焊接引导等高难度作业场景。NANO与NANO PRO分别侧重高帧率动态感知与复杂工况适应，形成面向差异化作业需求的产品组合。 在系统集成方面，NANO支持USB 3.1 Gen 1、GMSL2/3及Type-C一线通供电，整机功耗低于5 W。小型化结构、低功耗设计与标准化接口相结合，可有效降低末端视觉的集成与部署难度，推动3D感知从独立设备向整机功能模块演进。 以自主MEMS平台推进器件与应用协同 光显示与光感知面向两类不同的信息需求：空间显示关注如何将信息自然地呈现于人，机器人视觉关注如何使机器准确获取空间数据。两类应用对输出形式与系统设计的要求各有侧重，同时共享精密光束控制、算法与模组集成等底层能力。中科融合以自主MEMS微振镜为技术底座，协同设计芯片、光学、算法与模组，推动光显示与光感知在统一技术平台上持续演进、相互增益。 9月9日下午，中科融合感知智能研究院副总经理程诚博士亮相全球空间计算产业发展论坛，发表《MEMS智能光学技术创新与微型投影应用探索——中科融合的产品布局与产业化实践》主题演讲，分享从核心器件到终端应用的产业化实践，并与产业伙伴深入交流微型光学系统在车载、AR及新型智能终端中的应用方向。 此次亮相CIOE 2026，中科融合呈现的不是四件展品，而是一颗自主MEMS微振镜贯穿光显示与光感知两条产品线的平台化能力——从核心器件到终端应用，已在国内率先跑通完整产业化闭环。当海外厂商仍以多套方案分立布局、将不同应用锁定于不同器件时，中科融合将空间显示与三维感知拉回至同一颗芯片、同一套系统架构之内。芯片不自主，光学就永远受制于人——这是中国空间计算与具身智能产业必须跨越的关键门槛。中科融合接下来的目标很明确：沿自主MEMS技术路线持续打通、打深、做透，让每一束从中国自主MEMS微振镜出发的光，都成为国产智能终端在空间计算时代对标全球方案的底气所在。

千觉机器人旗下多模态视触觉传感器系列完成全面技术升级。本次升级围绕环境适应性、感知可靠性、长期耐用性三大核心维度展开，并顺利通过六大极端工况测试验证。结果显示，千觉视触觉传感器已成为业内规格最高、最符合工业级量产要求的产品，实现一致性97%的重大突破，千觉成为视触觉领域首个达到这一水平的团队。 本次极端工况测试包含防水、微小物体夹取、跨个体一致性、抗磁干扰、柔性层寿命、重复稳定性六大维度。 测试结果显示，千觉多项指标达到行业领先水平，部分指标为行业唯一：传感器达到行业内最高标准IP68防水等级；实现行业内最久10天240小时水下连续作业；跨个体一致性达到97%，为行业唯一达到该水平的产品；柔性层接触寿命达500万次，同样处于行业最高水准。 依托性能优势，千觉视触觉传感器可为工业制造、物流仓储、食品与农业、具身智能与科研等领域提供触觉感知能力支撑，应用于精密装配与对位、生鲜食品轻柔夹取、异形物体稳定抓取、人形机器人灵巧手感知、触觉世界模型训练等多种落地场景，为机器人在复杂工况下依旧稳定、精准、持久的触觉交互筑牢感知底座。 针对产线、物流等工业场景中机器人高频、重复作业带来的传感器磨损与性能衰减问题，千觉通过柔性层材料与工艺优化，提升传感器在长期高强度接触下的耐用性与感知稳定性，保障机器人持续可靠运行。 在重复稳定性方面，测试显示，千觉单颗触觉传感器连续触发 500 万次后，力/力矩曲线从第 1 次到第 500 万次保持高度一致，无明显性能衰减或漂移，受力反馈精准稳定，满足工业高频、高强度作业的长期使用需求。 在耐磨耐用性方面，千觉通过优化柔性层材料与工艺，针对性解决了传统视触觉传感器硅胶涂层易磨损的痛点。柔性层寿命测试显示，在砂纸表面经历多次反复摩擦，柔性层未出现破损，大幅提升了传感器在高频接触与摩擦场景下的使用寿命。 同一传感器在长期使用后，感知输出很容易发生偏移。能否维持高水准的“一致性”，直接决定触觉感知是否稳定可用，也影响触觉数据质量，进而影响机器人模型训练与智能学习水平。 千觉视触觉传感器同时实现“空间”、“时间”双维度工业级一致性。空间层面，经多台设备并行对照测试，不同单体传感器输出的六维力 / 力矩曲线高度重合，跨个体一致性达到 97%，为业内唯一实现该指标的产品。时间层面，传感器支持 500 万次连续触发且性能无衰减，保障在长期高频作业下，触觉数据可被精准解读、稳定复现。 基于跨个体与重复使用的双重一致性，千觉视触觉传感器在降低客户集成与校准成本的同时，满足产线、物流等高强度、高频作业需求，为机器人全生命周期稳定触觉感知提供保障。 面临水下作业、强磁干扰、微小物体精细操作等严苛工况，千觉视触觉传感器依旧能稳定发挥感知性能，支撑高难度机器人交互任务。 防水测试展现，千觉传感器拥有顶级 IP68 防水能力，可实现 240 小时连续水下浸泡稳定作业，适配各类潮湿、涉水工业工况。强磁抗干扰测试显示，千觉传感器具备优异的强磁抗干扰性能，可在电机、电磁铁等强磁设备周边持续稳定工作。强磁场极易干扰依赖电容、磁变信号采集的传统触觉方案，而千觉视触觉传感器可完全规避此类干扰，环境适配性更强。 此外，微小物体夹取测试显示，千觉传感器依托微米级高精度感知能力，可稳定完成螺丝、螺母、垫片等微小零件的精细抓取与操作。不仅实现精细化作业落地，还能完整捕捉细微交互触觉数据，提高高质量数据生产力，为具身智能算法迭代、触觉模型训练提供核心数据支撑。 从极端工况验证到多元化场景落地，千觉机器人触觉传感器已具备工业级可靠性与规模化量产能力。未来，千觉机器人将持续推进触觉感知技术的迭代与突破，以更精准、稳定的触觉能力拓展机器人感知边界，推动触觉技术在更广泛场景加速落地。

智象未来（HiDream.ai）正式发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0 今天，智象未来（HiDream.ai）正式发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0(模型简称 HD-V1）。HD-V1采用智象自研原生全模态架构，支持文本、图片、视频等多种模态输入，可一键直出5–20秒1080p高保真视频，同时 在意图理解、物理规律理解、自主规划叙事、以及音画一体化生成等维度均全面升级，达到全球领先水平。 发布同期，HD-V1 在两项国际权威评测榜单中，均位居世界前列。在全球领先的独立 AI 基准测试与分析平台Artificial Analysis Image to Video Leaderboard（With Audio）排行榜上，HD-V1 取得全球排名第四的佳绩。Artificial Analysis 的图生视频榜单以标准化、可复现的基准对全球头部视频生成模型进行系统评测，被视为衡量AI视频模型综合实力的重要标尺。 在全球最具影响力的AI 模型盲测评测平台 Arena.ai Image-to-Video 中，HD-V1也取得了第8的优异成绩。Arena.ai Image-to-Video是专注于AI视频生成模型的盲测评测子平台，是目前评估图生视频模型能力的重要第三方参考，被全球国际主流 AI 厂商广泛引用。 放在全球 AI 竞争格局中看，这一成绩的意义远超名次本身：多模态是当下全球人工智能的核心战场，图生视频则是其中技术密度最高、竞争最激烈的方向之一。HD-V1 以双榜高位成绩完成全球首次亮相，这标志着中国优秀大模型企业已全面领先，形成全球AI视频模型第一梯队 。 智象未来 CTO 姚霆表示：“HiDream-O1-Video-1.0 是智象原生全模态世界模型矩阵的关键组成部分。我们始终相信，视频生成的代际进化不仅仅是像素的提升和时长的延续，而在于模型是否真正理解创作者的意图和真实世界的物理规律。HD-V1从架构设计之初便面向文本、视频与音频的统一表征，原生全模态技术使之从‘看得清、动得顺’，迈向‘听得懂、说得准、演得连贯’。这次在两项国际权威榜单中再次进入第一梯队，是对智象原生全模态技术路线最直接的验证。” 01.原生全模态，更懂意图、更懂物理 视频生成的难点，往往不在“会不会画”，而在“有没有听懂”。用户输入常常是口语化、碎片化、模糊化的信息。直接输入丢给模型，很容易出现意图漏解、镜头跳戏、人物漂移与音画错位等问题。 为此，HD-V1的设计中 前置多模态意图理解模块，借助多模态理解模型的深度理解与思考，对视频内容进行结构化规划。规划内容包括镜头时长、场景地点、画面内容、首帧约束、在场角色、动作与表情、景别构图、运镜焦段、台词与背景声等音效设计等等字段。该模块的存在，保证模型充分理解用户自然语言输入的意图，并转换成模型可接受的专业表达。理解越深，规划越稳；规划越稳，后续联合生成越不容易“跑偏”。 理解意图只是第一步，HD-V1的另一重要突破，是“更懂物理”。 物体在重力作用下如何落下、碰撞如何反馈、惯性如何延续、光影如何衰减、空间如何保持连续——这些物理规律既被理解，也被写进视频模型的叙事之中，成为画面生成的底层逻辑。 当物理规律进入生成逻辑，画面的真实质感得到全面提升。以下三组demo，是在同样的提示词下，三款业内顶级模型生成的视频对比，第三个demo为HD-V1生成（全文均同）。 模型一的画面中，双手相向发力，红线产生了向内缩短的“不合理”现象；模型二则突兀地凭空生出一根针。而HD-V1生成的画面截然不同：双手相向发力时，红线自然隆起，与模型一形成鲜明对比；当左手拇指向外轻捻线头，红线便随手的发力顺势延展，张力、走向与形变皆贴合真实物理。而且画面还有着极佳的真实质感，指甲的纹理，针的金属感等都表现得非常真实，甚至从中能感受到线的柔韧。 02.画面高保真、叙事连贯性、人物一致性全面升级 针对高保真画质、叙事连贯性与人物一致性等关键指标，HD-V1实现了全面优化升级。它不只追求单帧画面的精美，更要让视频内容在整体叙事维度上自洽。 当人物、情绪、动机、物理规律，一旦进入连续镜头，就必然互相影响。为此，智象提出了 “先规划、后联合生成、再以多模态 Reward 对齐”的技术思路 ，让模型先在全局层面规划叙事与角色状态，再在联合生成中约束画面、动作和语义，最后用多模态奖励信号对齐画质、连贯性与物理合理性。 03.服从叙事内容视频生成时长的逻辑革新 多数视频生成时长遵循的是固定提示词路线，比如用户在提示词中输入生成 5 秒，模型只能在这个时间窗口内填充内容，内容叙事“被迫”适应时长。 HD-V1的做法，是 把时长决策交还给内容本身 。模型根据事件展开的逻辑、动作完成的周期、叙事推进的节奏，自行规划生成时长。这一能力的关键，不在于简单改变帧数，而在于把时长选择与内容情境绑定，服务用户真正的目标——在连贯叙事中交付合理、真实质感的完整画面。 同样是三款模型的真实对比。前两款模型都“机械地”生成了10秒钟画面，但一颗苹果从抛出到接住，本是一个短促的过程，并不需要撑满10秒。于是，模型一在动作完成后，从第三秒起只能让手继续握着苹果，画面停留在无意义的等待里；模型二则用慢放的形式，来填补时长。而HD-V1生成的画面，人物抛出、接住、稳定手持，节奏自然发生。 04.文本、视频、音频信号联合建模音画原生一体化生成 音画不同步是AI视频生成模型的一个普遍通病。这是因为当前多数视频模型采用的后期拼接技术路线：先逐帧生成画面，再回头配音配效，声音跟画面很难保持一致。 HD-V1 采用了原生全模态架构，对文本、视频、音频信号进行联合建模 。三者在同一生成过程中相互约束、相互对齐：画面运动牵引声音节奏，台词与音效反哺镜头情绪，文本条件贯穿始终。这种联合建模，直接服务于音画同步与叙事连贯。镜头切换时，环境声与配乐随之过渡；人物开口时，口型、气口与情绪同频；物理动作发生时，拟音效果与撞击反馈更贴近真实因果。 这是一个乒乓球在桌子上弹跳的画面。从三款模型生成的画面来看，只有HD-V1生成的内容，不仅乒乓球掉落的节奏符合物理规律，每次掉落的声音也随着高度的变化而变化，完全符合现实质感。实现真实世界的质感，根源在于模型的技术产品哲学：以人的感受为尺度。为此在后训练阶段，采用 Diffusion Reinforcement Learning，并设计与人工认知对齐的多模态 Reward 模型，对音视频内容进行从画面到声音、从局部到整体的统一评估。 05.世界模型闭环成型从单点能力到原生全模态矩阵 从今年4月正式发布原生全模态世界模型架构HiDream-O1以来，智象陆续发布了基于同一架构的模型家族，这几款模型也分别在各自赛道上取得国际权威榜单的领先位置。 图像生成模型HiDream‑O1‑Image系列 ，其中商用版1.5 版本在国际独立评测平台 Artificial Analysis 文生图榜单中，取得中国第一、全球第二的成绩；开源版本也取得了第二的成绩。 交互式世界模型 HiDream‑O1‑World ，名列行业首个交互式世界模型基准 WBench综合总榜第一。 具身世界模型 HiDream‑O1‑Embodied ，先后在 RoboColiseum的扰动适应和空间推理子榜单中登顶榜首。 随着视频模型正式发布，业内首个原生全模态世界模型闭环就此成型。图像、视频、3D交互与具身动作，在统一原生的世界模型中交汇、共生、循环。 智象创始人梅涛博士表示：“基于我们对下一代人工智能技术路线的认知，智象致力于构建 ‘一个原生全模态底座、四大模型同源演进’的模型矩阵。我们所构建的，不是四条彼此独立的能力线，而是一套以统一技术架构为底座、面向世界模型持续进化走向可落地的原生全模态体系。” 06.C+轮融资落定，国资产业资本组团再加码 在HD-V1发布之际，智象同时宣布完成C+轮融资。本轮投资方为 新微资本、交子资本、工银资本 ，体现了资本市场对公司原生全模态技术路线、世界模型布局及产业化潜力的高度认可。 新微资本由上海新微科技集团、上海科创投集团以及管理团队共同发起成立，管理基金规模近百亿元。作为新微集团的CVC，新微资本正持续加强在人工智能赛道的布局，依托新微集团在集成电路特色工艺制造领域的产业基座，构建在AI时代具备持续竞争力的新微产业生态。 新微资本表示：“智象未来的原生全模态世界模型矩阵，向上连接算力与AI基础设施，向下延伸至智能终端与行业应用，与新微集团的产业布局高度协同。未来新微将以制造能力支撑算力基建，以产业资源加速模型落地，助力智象未来占据世界模型时代的关键席位。” 交子资本是成都交子金控集团旗下全资国有股权投资平台，也是成都建设西部金融中心的重要产业资本载体，管理基金规模超1700亿元。依托成都、辐射西部、链接全国，交子资本聚焦人工智能等硬科技赛道，以长期资本和产业资源推动科技成果转化与产业生态建设。 交子资本相关负责人表示：“智象未来持续推动图像、视频、3D交互与具身四大模型同源演进，围绕底层架构持续创新，构建原生全模态世界模型矩阵。这一路线在行业中具有鲜明的稀缺性和领先性。HiDream-O1-Video-1.0的发布补齐了模型矩阵的关键一环，进一步验证了公司技术路线的前瞻性与落地能力。我们期待发挥国有产业资本的长期陪伴与资源协同作用，助力智象未来成长为具有全球竞争力的AI企业，并带动成都、辐射西部人工智能产业生态建设。” 随着HD-V1视频模型的发布，从原生全模态通往世界模型，不再只是一张战略蓝图，而是闭环发展、持续演进的现实。

9月15日，美图公司（1357.HK）发布公告，宣布美图公司创始人、董事长兼首席执行官吴欣鸿于2026年9月15日以每股平均价3.899港元购入本公司100万股股份。 公开信息显示，吴欣鸿自2018年5月10日起多次增持美图公司股份，连同本次增持，已累计购买658万股美图公司股份。本次增持后，吴欣鸿拥有股份占美图公司已发行股本约12.99％。 公告表示，针对近日有网络消息称吴欣鸿已出售或拟出售公司持股，美图公司特别澄清，吴欣鸿从未出售公司的任何股份，且无任何计划和意向出售或以其他方式减持其所持的美图公司股份。 吴欣鸿进一步表示，美图业务基本面保持强劲，鉴于公司产品创新持续提速且具备长期增长潜力，不排除于适当时候进一步增持美图公司股份。 此外，据港交所公告，9月15日，美图公司再回购510万股股票，本次回购金额约2000万港元。

9月15日，荣耀CEO李健在MagicOS 11发布会上表示，在与全球用户和开发者的共创中，荣耀正在把 AI 探索的无人区，一步步走成繁华的主干道；把今天看起来不可思议的奇迹，变成明天触手可及的日常。 当天，荣耀发布行业首个真正实现系统级Agent Harness商用落地的手机操作系统MagicOS 11。这意味着，荣耀MagicOS 11不仅能精准理解用户的复杂意图，更能深刻记住用户的日常习惯，将“自动执行”与“主动服务”融为一体，开启从单体智能到群体智慧的先河，实现从“会回答”到“会办事”跃迁。 李健表示，从2016年荣耀第一代Magic 诞生并推出Magic Live 智慧引擎，到2021年Maigc UI 6.0上发布YOYO建议引领行业首发开启主动服务的先河，MagicOS 7上发布行业首创信任环技术并打破设备、品牌与生态的边界，MagicOS 9将YOYO建议升级为全球首个跨应用开放生态智能体，再到MagicOS 10带来YOYO记忆与YOYO执行并开启多模态全场景自动执行的先河。荣耀AI战略的早期部署和积极探索，引领行业的新一轮人机交互变革，让AI正在跨越屏幕、融入生活，打理人们衣食住行的方方面面。 李健强调，AI正在重写手机操作系统的未来，MagicOS 也将从贴心助手逐步进化成一个无处不在、无所不能的智慧伙伴。

9月15日，阶跃发布新一代语音大模型 StepAudio 3 系列，一次性推出 StepAudio 3 Realtime、StepAudio 3 ASR、StepAudio 3 TTS、StepAudio 3 Gen 和 StepAudio 3 Music 五款模型，覆盖实时语音交互、语音识别、真人级语音生成和音乐创作等场景。其中，多款模型在权威第三方 AI 模型评测机构 Artificial Analysis 榜单中位列全球第一。 相比过去主要围绕语音识别或语音生成等单项能力展开竞争，StepAudio 3 将能力进一步延伸至语音理解与生成、实时推理、任务执行和音频创作的全栈能力，让 AI 不仅能够“听”和“说”，也能够理解声音背后的语义与情绪，并参与更完整的交互和内容生产过程。 其中，面向实时语音交互场景的 StepAudio 3 Realtime 支持原生全双工对话，可以在持续交流过程中判断何时回应、何时等待，并处理临时打断和连续反馈。在 Artificial Analysis Conversational Dynamics 榜单中，该模型以 98.9% 的综合得分排名全球第一。 与传统实时语音模型主要追求低延迟和自然对话不同，StepAudio 3 Realtime 还进一步加入了语音推理和任务执行能力。模型能够同时理解语义、语气、情绪及环境声音，并支持推理与语音生成并行；Tool Call 和长任务则可以异步执行，在任务运行期间不打断当前对话。其在 Artificial Analysis Speech Reasoning 榜单中同样位列全球第一。 在语音识别方面，StepAudio 3 ASR 将高精度识别与大语言模型的上下文理解和知识能力结合，不仅要解决“听清楚”，也进一步提升对专业术语、人名、地名、方言及复杂上下文的理解能力。 该模型支持中文、英文、方言、中英混说、长音频和专业领域等多类场景，并针对低声、快速语音、含糊连读以及背景音乐等复杂输入进行优化。在 Artificial Analysis 非流式语音识别准确性榜单中，StepAudio 3 ASR 的 WER（词错误率）为 1.7%，并列全球第一。WER 越低意味着转写错误越少，该成绩意味着模型在第三方综合测试中的语音识别准确率已处于全球第一梯队。 除实时交互和语音识别外，此次发布也进一步拓展了语音生成模型的能力边界。 StepAudio 3 TTS 面向真人级语音生成，在音色、语调、节奏、停顿和情绪表达之外，还能够生成笑声、迟疑、重复、改口等真实交流中常见的副语言表现。该模型采用流式生成架构，可实现生成与播放同时进行，满足实时语音应用需求。 StepAudio 3 Gen 则进一步将人声、音效、环境声和背景音乐等原本分散的生成环节整合到在一起。用户可以通过自然语言描述角色、场景和剧情，一次生成包含多种声音元素的完整音频，并控制角色音色、情绪以及不同声音出现的时间与顺序，广泛适用于影视、动画、游戏、广播剧、有声书和短视频等内容生产场景。 面向音乐创作的 StepAudio 3 Music 不再局限于“一句话生成一首歌”，而是支持歌曲创作、清唱配乐、歌曲翻唱以及基于 ABC 记谱法的多轮交互创作。用户可以通过歌词、清唱、参考歌曲等不同形式与模型共同完成编曲和作品迭代，使 AI 更深入参与实际音乐生产流程。 过去一年，语音大模型正从单项的语音识别和生成能力，逐渐走向实时交互、声音理解与内容创作的融合竞争。随着 StepAudio 3 系列发布，阶跃音频模型的产品版图，已经全面覆盖了听、说、理解、推理和创作。 目前，StepAudio 3 系列五款模型均已上线阶跃星辰开放平台。