我们提出 Step-Audio-EditX，这是首个基于大语言模型（LLM）的开源音频模型，能够实现富有表现力且支持迭代式音频编辑，涵盖情感、语调风格及副语言特征，并具备强大的零样本文本到语音（TTS）能力。其核心创新在于仅依赖大间隔（large-margin）合成数据，从而无需使用基于嵌入的先验信息或辅助模块。这种大间隔学习方法不仅实现了对语音的迭代式控制，还显著提升了语音表现力，标志着从传统上强调表征层面解耦的范式向全新方向的根本性转变。评估结果表明，Step-Audio-EditX 在情感编辑及其他细粒度控制任务中，均优于 MiniMax-2.6-hd 与 Doubao-Seed-TTS-2.0。