在文本生成与图像生成已被大模型彻底重塑的时代，语音编辑仍是最难以“像写文本那样”直观操作的领域。而近日，StepFun AI 发布的全新开源项目 Step-Audio-EditX 正在改变这一现状。该模型基于 30亿参数的音频语言模型（Audio LLM），首次将语音编辑转化为类似文本标记级别的可控操作，而非传统的波形信号处理任务。 根据团队在最新论文 arXiv:2511.03601中介绍，Step-Audio-EditX 的目标是让开发者能够“像改一句文本那样，直接编辑语音的情感、语调、风格甚至呼吸声”。