Nous présentons Step-Audio-EditX, le premier modèle audio open source basé sur un grand modèle linguistique (LLM) offrant des performances exceptionnelles dans l’édition audio expressive et itérative, couvrant l’émotion, le style d’élocution et les aspects paralinguistiques, tout en disposant de capacités robustes de synthèse vocale à partir de texte (TTS) en zero-shot. Notre innovation centrale réside dans l’utilisation exclusive de données synthétiques à grand écart (large-margin), ce qui élimine la nécessité de recourir à des priori basés sur des embeddings ou à des modules auxiliaires. Cette approche d’apprentissage à grand écart permet à la fois un contrôle itératif et une grande expressivité à travers diverses voix, marquant un tournant fondamental par rapport à l’approche classique axée sur le découplage au niveau de la représentation. Les résultats d’évaluation montrent que Step-Audio-EditX surpasse à la fois MiniMax-2.6-hd et Doubao-Seed-TTS-2.0 en édition émotionnelle et dans d’autres tâches de contrôle fine.