StepFun

Step Audio 2

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

#22रिलीज़ 24 सित॰ 2026·Proprietary·Not disclosed
textaudio64K ctx
API प्रदाताAPI कुंजी प्राप्त करें →रैंकिंग
बुद्धिमत्ता
89.0 #22
AAQI 89.0
आउटपुट गति
150 t/s
ITL 6.7 ms/tok
ब्लेंडेड मूल्य (3:1)
$0.015 /1M
इनपुट $0.012/M · आउटपुट $0.024/M
कॉन्टेक्स्ट
64K
≈ 160 A4 पेज · अधिकतम आउटपुट 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)

जहाँ सीधे बेंचमार्क माप उपलब्ध नहीं हैं, वहाँ रडार अक्ष श्रेणी स्कोर से अनुमानित हैं — कार्यप्रणाली देखें।

ताकत और समझौते

जहां यह जीतता है

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

ध्यान देने योग्य बातें

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

किलर उपयोग केस

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.

डेवलपर क्विकस्टार्ट और API

पहले STEPFUN_API_KEY सेट करें — API कुंजी प्राप्त करें
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."}]
  }'

आधिकारिक संसाधन और लिंक

API डिप्लॉयमेंट

होस्ट और लेटेंसी की तुलना

Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock और Azure पर थ्रूपुट, TTFT और कैश मूल्य।

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
प्रदाता मैट्रिक्स देखें →

स्रोत के अनुसार स्कोर

लाइव स्पेक्स और आर्किटेक्चर

अंदर की झलक
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
रिलीज़ तिथि
24 सित॰ 2026
आर्किटेक्चर
Step Audio 2 — unified speech model
पैरामीटर
Not disclosed
लाइसेंस
Proprietary
कॉन्टेक्स्ट विंडो
64,000 tokens
अधिकतम आउटपुट
8,192 tokens
मोडैलिटी
text + audio
कैश मूल्य
रीड $0.004 · राइट $0.015 /1M
रीजनिंग
—
इनपुट कीमत
$0.012/M
आउटपुट कीमत
$0.024/M
आउटपुट गति
150 t/s
पहले टोकन तक का समय
—
डेटा अपडेट
22 अक्टू॰ 2026

अनुमानित मासिक बिल

अनुमानित मासिक खर्च
$0.00
GPT-4o की तुलना में बचत की गणना…

उद्धरण और एम्बेड

GitHub Markdown बैज
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}
}

स्कोर बैज एम्बेड करें

अपने GitHub या Hugging Face README में लाइव Podium Score बैज जोड़ें — यह लाइव रैंकिंग पर ले जाता है।

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

StepFun के अन्य मॉडल

वैकल्पिक मॉडल

क्षमता, मूल्य और बेंचमार्क स्कोर के आधार पर Step Audio 2 के निकटतम विकल्प।

0 / 4