引言：AI 從聽到說

大型音頻語言模型（Large Audio-Language Models, LALMs）正在徹底改變我們與機器交互的方式。我們不再滿足于簡單的文本問答，而是期望 AI 能夠像人類一樣，通過自然的語音進行交流，理解我們的意圖，并以富有表現力的聲音回應。然而，構建一個能夠直接從語音輸入到語音輸出（Audio Query-Audio Answer, AQAA），并且具備高度智能和自然交互體驗的端到端模型，仍然是一個巨大的挑戰。

現有的 LALM，雖然在語音理解方面取得了顯著進展，但在直接生成自然語音回復方面，大多仍依賴于文本作為中間橋梁（即 ASR -> LLM(text) -> TTS），這不僅引入了級聯錯誤，也限制了端到端優化的可能性和語音表達的自然流暢性。此外，如何實現對生成語音的細粒度控制（如情感、語速），以及如何讓模型在交互中展現出更高的語義連貫性和人類偏好對齊，都是亟待解決的關鍵問題。

在這樣的背景下，StepFun 團隊推出了 Step-Audio-AQAA，一個專為