金山云近期宣布，已经成功适配了阶跃星辰最新推出的两款多模态大模型，为用户带来了前所未有的体验。这两款模型分别是全球参数量最大的开源视频生成模型Step-Video-T2V，以及业界首款产品级开源语音交互模型Step-Audio。现在，用户只需登录金山云官方网站，即可轻松体验。
在Step-Video-T2V模型的适配上，金山云凭借强大的算力支持和稳定的运行环境，充分释放了模型的性能，为用户带来了流畅的视频生成体验。据了解，Step-Video-T2V模型拥有高达300亿的参数，能够直接生成204帧、540P分辨率的高质量视频。在各项评测中，该模型在指令遵循、运动平滑性、物理合理性以及美感度等方面，均显著超越了目前市面上效果最佳的开源视频生成模型。
为了支持Step-Video-T2V模型的多卡并行部署，阶跃星辰官方提供了全面的支持。其中，文本编码器和VAE部分由独立的进程维护，而DiT部分则可以选择4卡并行或8卡并行，每张卡至少需要80G的显存。对于单台机器的运行，推荐使用5个80G显存的GPU。在部署方面，金山云已经为用户预装好了ubuntu22.04系统，并内置了Step-Video-T2V模型和依赖环境的镜像。通过金山云的云计算环境，可以精准协调各卡资源，确保文本编码器、VAE和DiT等部分协同工作，大幅提升视频生成效率。
用户只需在金山云裸金属服务器控制台选择内置Step-Video-T2V的自定义镜像进行创建，创建完成后即可启动模型并使用。启动服务也非常简单，用户只需登录服务器进入Step-Video-T2V-main目录，运行相应的Python脚本即可。当看到“Running on all addresses (0.0.0.0)”的提示时，即表示服务已成功启动。
除了Step-Video-T2V模型外，金山云还完成了实时语音对话系统Step-Audio模型的适配工作。通过先进的云计算技术，金山云降低了模型的响应延迟，让用户与模型的对话更加自然流畅。无论是实时语音聊天还是语音指令控制，Step-Audio模型都能快速准确地响应，为用户提供优质的语音交互服务。Step-Audio作为业内创新性的开源语音模型，能够根据不同的场景需求生成情绪、方言、语种、歌声和个性化风格的表达，并与用户进行高质量对话。
在各项主流公开评测中，Step-Audio模型均表现出色，位列第一。特别是在HSK-6（汉语水平考试六级）评测中，Step-Audio模型更是展现出了卓越的性能，成为最懂中国话的开源语音交互大模型。
在部署方面，金山云同样为用户预装好了ubuntu22.04系统，并内置了Step-Audio模型和依赖环境的镜像。用户只需在金山云裸金属服务器控制台选择内置Step-Audio的自定义镜像进行创建，创建完成后即可启动模型并使用。启动服务同样简单，用户只需登录服务器进入Step-Audio-main目录，运行相应的Python脚本即可。
随着人工智能技术的快速发展，金山云始终与前沿技术保持同步，不断携手生态合作伙伴，为前沿技术的落地转化提供有力支持。通过此次对阶跃星辰两款多模态大模型的适配，金山云再次展现了其在云计算领域的强大实力和技术创新能力。
