StepFun

Step Audio 2

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

#22publié le 24 sept. 2026·Proprietary·Not disclosed
textaudio64K ctx
Fournisseurs APIObtenir la clé API →Classement
Intelligence
89.0 #22
AAQI 89.0
Vitesse Sortie
150 t/s
ITL 6.7 ms/tok
Prix mixte (3:1)
$0.015 /1M
Entrée $0.012/M · Sortie $0.024/M
Contexte
64K
≈ 160 pages A4 · sortie max 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)

Les axes du radar sont approximés depuis les scores par catégorie lorsque les mesures directes manquent — voir Méthodologie.

Points forts & compromis

Là où il gagne

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

Points de vigilance

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

Cas d'usage clés

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.

Démarrage rapide développeur & API

Définissez d’abord STEPFUN_API_KEY — obtenir une clé 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."}]
  }'

Ressources & liens officiels

Déploiement API

Comparer hôtes et latence

Débit, TTFT et tarifs de cache chez Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock et Azure.

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Voir la matrice des fournisseurs →

Scores par Source

Specs en direct & architecture

Sous le capot
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
Date de Sortie
24 sept. 2026
Architecture
Step Audio 2 — unified speech model
Paramètres
Not disclosed
Licence
Proprietary
Fenêtre de Contexte
64,000 tokens
Sortie max
8,192 tokens
Modalités
text + audio
Tarifs du cache
lecture $0.004 · écriture $0.015 /1M
Raisonnement
—
Prix Entrée
$0.012/M
Prix Sortie
$0.024/M
Vitesse Sortie
150 t/s
Temps au Premier Token
—
Données mises à jour
22 oct. 2026

Facture mensuelle estimée

Dépense mensuelle estimée
$0.00
Calcul des économies vs GPT-4o…

Citer et intégrer

Badge Markdown 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}
}

Intégrer le badge de score

Ajoutez un badge Podium Score en direct à votre README GitHub ou Hugging Face — il renvoie vers le classement en direct.

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

Plus de StepFun

Modèles alternatifs

Meilleures alternatives à Step Audio 2 selon les capacités, le prix et les benchmarks.

0 / 4