StepFun

Step Audio 2

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

#22lançado 24 de set. de 2026·Proprietary·Not disclosed
textaudio64K ctx
Provedores de APIObter chave de API →Ranking
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)
Coding (15)Mathematics (15)Hard Science (GPQA) (32)Agentic & Tool Use (55)Knowledge (MMLU) (46)Vision / Multimodal (85)

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 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 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
Ver matriz de provedores →

Pontuações por fonte

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
Step Audio 2 LLMPodium Score
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.

0 / 4