StepFun

Step Audio 2

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

#22veröffentlicht 24. Sept. 2026·Proprietary·Not disclosed
textaudio64K ctx
API-AnbieterAPI-Key holen →Rangliste
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)
Coding (15)Mathematics (15)Hard Science (GPQA) (32)Agentic & Tool Use (55)Knowledge (MMLU) (46)Vision / Multimodal (85)

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 holen
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."}]
  }'

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
Anbieter-Matrix ansehen →

Ergebnisse nach Quelle

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
Step Audio 2 LLMPodium Score
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.

0 / 4