StepFun

Step Audio 2

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

#22lanzado 24 sept 2026·Proprietary·Not disclosed
textaudio64K ctx
Proveedores de APIObtener clave API →Clasificación
Inteligencia
89.0 #22
AAQI 89.0
Velocidad de Salida
150 t/s
ITL 6.7 ms/tok
Precio combinado (3:1)
$0.015 /1M
Entrada $0.012/M · Salida $0.024/M
Contexto
64K
≈ 160 páginas A4 · salida máx. 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)

Los ejes del radar se aproximan a partir de las puntuaciones de categoría cuando faltan mediciones directas — ver Metodología.

Fortalezas y compromisos

Donde gana

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

Puntos a vigilar

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

Casos de uso clave

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.

Inicio rápido para desarrolladores y API

Define primero STEPFUN_API_KEY — obtener una clave API
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."}]
  }'

Recursos y enlaces oficiales

Despliegue de API

Comparar hosts y latencia

Throughput, TTFT y precios de caché en Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock y Azure.

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Ver matriz de proveedores →

Puntuaciones por Fuente

Especificaciones en vivo y arquitectura

Bajo el capó
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
Fecha de Lanzamiento
24 sept 2026
Arquitectura
Step Audio 2 — unified speech model
Parámetros
Not disclosed
Licencia
Proprietary
Ventana de Contexto
64,000 tokens
Salida máx.
8,192 tokens
Modalidades
text + audio
Precios de caché
lectura $0.004 · escritura $0.015 /1M
Razonamiento
—
Precio de Entrada
$0.012/M
Precio de Salida
$0.024/M
Velocidad de Salida
150 t/s
Tiempo al Primer Token
—
Datos actualizados
22 oct 2026

Factura mensual estimada

Gasto mensual estimado
$0.00
Calculando ahorro vs GPT-4o…

Citar e insertar

Badge de Markdown para 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}
}

Insertar insignia de puntuación

Añade una insignia de Podium Score en vivo a tu README de GitHub o Hugging Face — enlaza al ranking en vivo.

Vista previa
Step Audio 2 LLMPodium Score
Markdown
Loading badge snippet...
HTML
Loading badge snippet...

Más de StepFun

Modelos alternativos

Alternativas más cercanas a Step Audio 2 según rendimiento, precio y benchmarks.

0 / 4