StepFun
Step Audio 2
StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.
Intelligenz
89.0 #22
AAQI 89.0
Ausgabegeschwindigkeit
150 t/s
ITL 6.7 ms/tok
Blended-Preis (3:1)
$0.015 /1M
Input $0.012/M · Output $0.024/M
Kontext
64K
≈ 160 A4-Seiten · max. Output 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Step Audio 2
Claude Mythos Preview (#1)
Average (68)
Radar-Achsen sind aus Kategorie-Scores approximiert, wo direkte Benchmark-Messungen fehlen — siehe Methodik.
Stärken & Trade-offs
Wo das Modell gewinnt
- Single model replaces a whole voice pipeline
- Best-in-class Chinese speech quality
- Understands tone and emotion, not just words
Worauf achten
- English prosody below Eleven/Cartesia tiers
- Ecosystem concentrated in APAC
- No self-hosting
Killer-Anwendungsfälle
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.
Developer-Quickstart & API
Setzen Sie zuerst
STEPFUN_API_KEY — API-Schlüssel holencurl 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);Offizielle Ressourcen & Links
API-Bereitstellung
Hosts & Latenz vergleichen
Durchsatz, TTFT und Cache-Preise bei Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock und Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Ergebnisse nach Quelle
Kategorie-Punkte
Benchmark-Ergebnisse
Live-Spezifikationen & Architektur
Unter der Haube
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
Veröffentlichungsdatum
24. Sept. 2026
Architektur
Step Audio 2 — unified speech model
Parameter
Not disclosed
Lizenz
Proprietary
Kontextfenster
64,000 tokens
Max. Ausgabe
8,192 tokens
Modalitäten
text + audio
Cache-Preise
Lesen $0.004 · Schreiben $0.015 /1M
Reasoning
—
Eingabepreis
$0.012/M
Ausgabepreis
$0.024/M
Ausgabegeschwindigkeit
150 t/s
Zeit bis zum ersten Token
—
Daten aktualisiert
22. Okt. 2026
Geschätzte Monatsrechnung
Geschätzte Monatsausgaben
$0.00
Ersparnis ggü. GPT-4o wird berechnet…
Zitieren & Einbetten
GitHub-Markdown-Badge
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}
}Score-Badge einbetten
Fügen Sie Ihrem GitHub- oder Hugging-Face-README ein Live-Podium-Score-Badge hinzu — es verlinkt auf das Live-Ranking.
Vorschau
Markdown
Loading badge snippet...HTML
Loading badge snippet...Mehr von StepFun
Alternative Modelle
Nächste Alternativen zu Step Audio 2 basierend auf Leistung, Preis und Benchmarks.