StepFun
Step Audio 2
StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.
الذكاء
89.0 #22
AAQI 89.0
سرعة الإخراج
150 t/s
ITL 6.7 ms/tok
السعر الممزوج (3:1)
$0.015 /1M
إدخال $0.012/M · إخراج $0.024/M
السياق
64K
≈ 160 صفحة A4 · أقصى إخراج 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Step Audio 2
Claude Mythos Preview (#1)
Average (68)
محاور الرادار تقريبية من درجات الفئات عند غياب قياسات مباشرة — راجع المنهجية.
نقاط القوة والمقايضات
أين يتفوق
- Single model replaces a whole voice pipeline
- Best-in-class Chinese speech quality
- Understands tone and emotion, not just words
ما يجب الانتباه له
- English prosody below Eleven/Cartesia tiers
- Ecosystem concentrated in APAC
- No self-hosting
حالات استخدام قاتلة
Speech-to-speech agents
Direct voice chat without TTS/STT glue.
Chinese voice products
Native Mandarin/Cantonese synthesis and ASR.
Emotion-aware bots
Reacts to caller sentiment in real time.
بداية سريعة للمطورين و API
عيّن
STEPFUN_API_KEY أولاً — احصل على مفتاح APIcurl https://api.stepfun.com/v1/chat/completions \
-H "Authorization: Bearer $STEPFUN_API_KEY" \
-H "content-type: application/json" \
-d '{
"model": "step-audio-2",
"messages": [{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}]
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.stepfun.com/v1",
api_key=os.environ["STEPFUN_API_KEY"],
)
resp = client.chat.completions.create(
model="step-audio-2",
messages=[{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}],
)
print(resp.choices[0].message.content)const res = await fetch("https://api.stepfun.com/v1/chat/completions", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.STEPFUN_API_KEY}`,
"content-type": "application/json",
},
body: JSON.stringify({
model: "step-audio-2",
messages: [{ role: "user", content: "Refactor this function for O(n) time and explain the change." }],
}),
});
console.log((await res.json()).choices[0].message.content);الموارد والروابط الرسمية
نشر API
مقارنة المضيفين ووقت الاستجابة
الإنتاجية وTTFT وتسعير ذاكرة التخزين المؤقت عبر Groq وCerebras وTogether وDeepInfra وFireworks وBedrock وAzure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
الدرجات حسب المصدر
الدرجات حسب الفئة
نتائج الاختبارات
المواصفات الحية والبنية
تحت الغطاء
Step Audio 2 — unified speech model
- One checkpoint for TTS, STT and speech-to-speech chat
- Paralinguistic understanding — emotion, emphasis, age cues
- Voice-to-voice tool calling for agent stacks
- Strong Mandarin/Cantonese coverage
تاريخ الإصدار
24 سبتمبر 2026
البنية
Step Audio 2 — unified speech model
المعلمات
Not disclosed
الترخيص
Proprietary
نافذة السياق
64,000 tokens
أقصى إخراج
8,192 tokens
الوسائط
text + audio
أسعار التخزين المؤقت
قراءة $0.004 · كتابة $0.015 /1M
الاستدلال
—
سعر الإدخال
$0.012/M
سعر الإخراج
$0.024/M
سرعة الإخراج
150 t/s
الزمن حتى أول رمز
—
آخر تحديث
22 أكتوبر 2026
الفاتورة الشهرية المقدرة
الإنفاق الشهري المقدر
$0.00
جارٍ حساب التوفير مقابل GPT-4o…
اقتباس وتضمين
شارة Markdown لـ GitHub
Loading badge markdown...BibTeX
@misc{llmpodium2026stepaudio2,
title = {Benchmark Analysis and Intelligence Evaluation of Step Audio 2},
author = {LLMPodium Research},
year = {2026},
url = {https://llmpodium.com/models/step-audio-2}
}تضمين شارة النتيجة
أضف شارة Podium Score المباشرة إلى ملف README على GitHub أو Hugging Face — ترتبط بالترتيب المباشر.
معاينة
Markdown
Loading badge snippet...HTML
Loading badge snippet...المزيد من StepFun
النماذج البديلة
أقرب البدائل لـ Step Audio 2 استناداً إلى القدرات والأسعار ونتائج الاختبارات.