StepFun

Step Audio 2

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

#22выпущена 24 сент. 2026 г.·Proprietary·Not disclosed
textaudio64K ctx
API-провайдерыПолучить API-ключ →Рейтинг
Интеллект
89.0 #22
AAQI 89.0
Скорость вывода
150 t/s
ITL 6.7 ms/tok
Смешанная цена (3:1)
$0.015 /1M
Вход $0.012/M · Выход $0.024/M
Контекст
64K
≈ 160 стр. A4 · макс. выход 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)

Оси радара приближены по категорийным оценкам там, где нет прямых бенчмарк-измерений — см. Методология.

Сильные стороны и компромиссы

Где модель выигрывает

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

На что обратить внимание

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

Киллер-сценарии

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.

Быстрый старт для разработчика и API

Сначала задайте STEPFUN_API_KEY — получить ключ 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."}]
  }'

Официальные ресурсы и ссылки

Развёртывание API

Хосты и задержка

Пропускная способность, TTFT и цены на кэш у Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock и Azure.

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Матрица провайдеров →

Оценки по источникам

Живые характеристики и архитектура

Под капотом
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
Дата выпуска
24 сент. 2026 г.
Архитектура
Step Audio 2 — unified speech model
Параметры
Not disclosed
Лицензия
Proprietary
Контекстное окно
64,000 tokens
Макс. вывод
8,192 tokens
Модальности
text + audio
Цены кэша
чтение $0.004 · запись $0.015 /1M
Рассуждение
—
Цена ввода
$0.012/M
Цена вывода
$0.024/M
Скорость вывода
150 t/s
Время до первого токена
—
Данные обновлены
22 окт. 2026 г.

Оценка ежемесячного счёта

Оценка расходов в месяц
$0.00
Считаем экономию против GPT-4o…

Цитирование и вставка

Бейдж GitHub Markdown
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}
}

Бейдж оценки для README

Живой бейдж Podium Score для README на GitHub или Hugging Face — ведёт на актуальный рейтинг.

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

Ещё от StepFun

Альтернативные модели

Ближайшие альтернативы для Step Audio 2 по возможностям, цене и бенчмаркам.

0 / 4
Сравнить →