StepFun
Step Audio 2
StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.
Inteligência
89.0 #22
AAQI 89.0
Velocidade de saída
150 t/s
ITL 6.7 ms/tok
Preço combinado (3:1)
$0.015 /1M
Entrada $0.012/M · Saída $0.024/M
Contexto
64K
≈ 160 páginas A4 · saída máx. 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Step Audio 2
Claude Mythos Preview (#1)
Average (68)
Os eixos do radar são aproximados a partir dos scores de categoria quando faltam medições diretas — veja Metodologia.
Pontos fortes e trade-offs
Onde vence
- Single model replaces a whole voice pipeline
- Best-in-class Chinese speech quality
- Understands tone and emotion, not just words
Pontos de atenção
- English prosody below Eleven/Cartesia tiers
- Ecosystem concentrated in APAC
- No self-hosting
Casos de uso matadores
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.
Quickstart do desenvolvedor e API
Defina primeiro
STEPFUN_API_KEY — obter uma chave de 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);Recursos e links oficiais
Implantação de API
Comparar hosts e latência
Throughput, TTFT e preços de cache na Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock e Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Pontuações por fonte
Pontuações por categoria
Resultados de benchmarks
Especificações ao vivo e arquitetura
Por baixo do capô
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
Data de lançamento
24 de set. de 2026
Arquitetura
Step Audio 2 — unified speech model
Parâmetros
Not disclosed
Licença
Proprietary
Janela de contexto
64,000 tokens
Saída máx.
8,192 tokens
Modalidades
text + audio
Preços de cache
leitura $0.004 · escrita $0.015 /1M
Raciocínio
—
Preço de entrada
$0.012/M
Preço de saída
$0.024/M
Velocidade de saída
150 t/s
Tempo até o primeiro token
—
Dados atualizados
22 de out. de 2026
Fatura mensal estimada
Gasto mensal estimado
$0.00
Calculando economia vs GPT-4o…
Citar e incorporar
Badge de Markdown do 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}
}Incorporar selo de pontuação
Adicione um selo de Podium Score ao seu README no GitHub ou Hugging Face — ele aponta para o ranking ao vivo.
Pré-visualização
Markdown
Loading badge snippet...HTML
Loading badge snippet...Mais de StepFun
Modelos alternativos
Principais alternativas para Step Audio 2 com base em recursos, preço e benchmarks.