StepFun

Step Audio 2

StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.

#22প্রকাশিত ২৪ সেপ, ২০২৬·Proprietary·Not disclosed
textaudio64K ctx
API প্রোভাইডারAPI কী নিন →র‍্যাংকিং
বুদ্ধিমত্তা
89.0 #22
AAQI 89.0
আউটপুট গতি
150 t/s
ITL 6.7 ms/tok
ব্লেন্ডেড মূল্য (3:1)
$0.015 /1M
ইনপুট $0.012/M · আউটপুট $0.024/M
কনটেক্সট
64K
≈ 160টি A4 পৃষ্ঠা · সর্বোচ্চ আউটপুট 8,192

Quality Domain Radar

6-Axis Frontier Evaluation vs Category Average & Flagship

Step Audio 2
Claude Mythos Preview (#1)
Average (68)
Coding (15)Mathematics (15)Hard Science (GPQA) (32)Agentic & Tool Use (55)Knowledge (MMLU) (46)Vision / Multimodal (85)

সরাসরি বেঞ্চমার্ক মাপ না থাকলে রাডার অক্ষ বিভাগ স্কোর থেকে আনুমানিক — পদ্ধতি দেখুন।

শক্তি ও ট্রেড-অফ

যেখানে এটি জেতে

  • Single model replaces a whole voice pipeline
  • Best-in-class Chinese speech quality
  • Understands tone and emotion, not just words

যেগুলো খেয়াল রাখতে হবে

  • English prosody below Eleven/Cartesia tiers
  • Ecosystem concentrated in APAC
  • No self-hosting

কিলার ব্যবহারের ক্ষেত্র

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.

ডেভেলপার কুইকস্টার্ট ও API

প্রথমে STEPFUN_API_KEY সেট করুন — API কী নিন
curl 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."}]
  }'

অফিসিয়াল রিসোর্স ও লিংক

API ডিপ্লয়মেন্ট

হোস্ট ও লেটেন্সি তুলনা করুন

Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock ও Azure জুড়ে থ্রুপুট, TTFT ও ক্যাশে মূল্য।

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
প্রোভাইডার ম্যাট্রিক্স দেখুন →

উৎস অনুযায়ী স্কোর

লাইভ স্পেসিফিকেশন ও আর্কিটেকচার

ভেতরের কাঠামো
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
প্রকাশের তারিখ
২৪ সেপ, ২০২৬
আর্কিটেকচার
Step Audio 2 — unified speech model
প্যারামিটার
Not disclosed
লাইসেন্স
Proprietary
কনটেক্সট উইন্ডো
64,000 tokens
সর্বোচ্চ আউটপুট
8,192 tokens
মডালিটি
text + audio
ক্যাশে মূল্য
রিড $0.004 · রাইট $0.015 /1M
রিজনিং
—
ইনপুট দাম
$0.012/M
আউটপুট দাম
$0.024/M
আউটপুট গতি
150 t/s
প্রথম টোকেনের সময়
—
ডেটা আপডেট
২২ অক্টো, ২০২৬

আনুমানিক মাসিক বিল

আনুমানিক মাসিক খরচ
$0.00
GPT-4o-র তুলনায় সঞ্চয় হিসাব হচ্ছে…

উদ্ধৃতি ও এম্বেড

GitHub Markdown ব্যাজ
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}
}

স্কোর ব্যাজ এম্বেড করুন

আপনার GitHub বা Hugging Face README-তে লাইভ Podium স্কোর ব্যাজ যোগ করুন — এটি লাইভ র‍্যাংকিং-এ ফেরে।

প্রিভিউ
Step Audio 2 LLMPodium Score
Markdown
Loading badge snippet...
HTML
Loading badge snippet...

StepFun-এর আরও মডেল

বিকল্প মডেলসমূহ

সক্ষমতা, মূল্য এবং বেঞ্চমার্ক স্কোরের ভিত্তিতে Step Audio 2-এর নিকটতম বিকল্প।

0 / 4