StepFun
Step Audio 2
StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.
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)
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 নিনcurl 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);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
উৎস অনুযায়ী স্কোর
বিভাগ অনুযায়ী স্কোর
বেঞ্চমার্ক ফলাফল
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
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।