StepFun

Step Audio 2

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

#22เปิดตัวเมื่อ 24 ก.ย. 2569·Proprietary·Not disclosed
textaudio64K ctx
ผู้ให้บริการ APIรับคีย์ API →ตารางอันดับ
ดัชนีปัญญา
89.0 #22
AAQI 89.0
ความเร็วขาออก
150 t/s
ITL 6.7 ms/tok
ราคาเฉลี่ย (3:1)
$0.015 /1M
ขาเข้า $0.012/M · ขาออก $0.024/M
บริบท
64K
≈ 160 หน้า A4 · ขาออกสูงสุด 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)

แกนเรดาร์ประมาณจากคะแนนหมวดหมู่เมื่อไม่มีการวัดเบนช์มาร์กโดยตรง — ดู ระเบียบวิธี

จุดแข็งและข้อแลกเปลี่ยน

จุดที่ชนะ

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

สิ่งที่ต้องระวัง

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

กรณีใช้งานเด็ด

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.

ควิกสตาร์ตสำหรับนักพัฒนาและ API

ตั้งค่า STEPFUN_API_KEY ก่อน — รับคีย์ 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."}]
  }'

ทรัพยากรและลิงก์อย่างเป็นทางการ

การใช้งาน API

เปรียบเทียบโฮสต์และเวลาแฝง

อัตราความเร็ว TTFT และราคาแคชบน Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock และ Azure

GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
ดูเมทริกซ์ผู้ให้บริการ →

คะแนนแยกตามแหล่งข้อมูล

สเปกสดและสถาปัตยกรรม

ภายใต้ฝากระโปรง
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
วันที่เปิดตัว
24 ก.ย. 2569
สถาปัตยกรรม
Step Audio 2 — unified speech model
พารามิเตอร์
Not disclosed
สัญญาอนุญาต
Proprietary
ขนาดคอนเทกซ์
64,000 tokens
เอาต์พุตสูงสุด
8,192 tokens
โมดัลิตี
text + audio
ราคาแคช
อ่าน $0.004 · เขียน $0.015 /1M
การให้เหตุผล
—
ราคาขาเข้า
$0.012/M
ราคาขาออก
$0.024/M
ความเร็วขาออก
150 t/s
เวลาถึงโทเค็นแรก
—
อัปเดตข้อมูล
22 ต.ค. 2569

ค่าใช้จ่ายรายเดือนโดยประมาณ

ค่าใช้จ่ายรายเดือนโดยประมาณ
$0.00
กำลังคำนวณการประหยัดเทียบ GPT-4o…

อ้างอิงและฝัง

ป้าย 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}
}

ฝังป้ายคะแนน

เพิ่มป้าย Podium Score แบบสดลงใน README ของ GitHub หรือ Hugging Face — ลิงก์กลับไปยังอันดับสด

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

โมเดลอื่นจาก StepFun

โมเดลทางเลือก

ทางเลือกที่ใกล้เคียงที่สุดสำหรับ Step Audio 2 โดยอิงตามความสามารถ ราคา และคะแนนเบนช์มาร์ก

0 / 4