StepFun
Step Audio 2
StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.
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)
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 APIcurl 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);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
Scores par Source
Scores par Catégorie
Résultats de Benchmarks
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
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.