StepFun
Step Audio 2
StepFun’s end-to-end speech model — TTS, STT and voice chat in a single checkpoint.
ذہانت
89.0 #22
AAQI 89.0
آؤٹ پٹ رفتار
150 t/s
ITL 6.7 ms/tok
مخلوط قیمت (3:1)
$0.015 /1M
ان پٹ $0.012/M · آؤٹ پٹ $0.024/M
سیاق
64K
≈ 160 A4 صفحات · زیادہ سے زیادہ آؤٹ پٹ 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Step Audio 2
Claude Mythos Preview (#1)
Average (68)
جہاں براہ راست بینچ مارک پیمائش موجود نہیں، ریڈار محور زمرہ سکورز سے تخمینی ہیں — طریقہ کار دیکھیں۔
طاقتیں اور سمجھوتے
جہاں یہ آگے ہے
- Single model replaces a whole voice pipeline
- Best-in-class Chinese speech quality
- Understands tone and emotion, not just words
جن باتوں پر دھیان دیں
- English prosody below Eleven/Cartesia tiers
- Ecosystem concentrated in APAC
- No self-hosting
کلر استعمال کے کیسز
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.
ڈویلپر کوک اسٹارٹ اور API
پہلے
STEPFUN_API_KEY سیٹ کریں — API کی حاصل کریںcurl 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);سرکاری وسائل اور لنکس
API تعیناتی
ہوسٹس اور لیٹنسی کا موازنہ
Groq، Cerebras، Together، DeepInfra، Fireworks، Bedrock اور Azure پر تھروپٹ، TTFT اور کیش قیمتیں۔
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
ذریعے کے لحاظ سے اسکور
زمرے کے لحاظ سے اسکور
بینچ مارک نتائج
لائیو وضاحتیں اور آرکیٹیکچر
اندرونی ڈھانچہ
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
اجرا کی تاریخ
24 ستمبر، 2026
آرکیٹیکچر
Step Audio 2 — unified speech model
پیرامیٹرز
Not disclosed
لائسنس
Proprietary
سیاق ونڈو
64,000 tokens
زیادہ سے زیادہ آؤٹ پٹ
8,192 tokens
موڈیلٹیز
text + audio
کیش قیمتیں
ریڈ $0.004 · رائٹ $0.015 /1M
استدلال
—
ان پٹ قیمت
$0.012/M
آؤٹ پٹ قیمت
$0.024/M
آؤٹ پٹ رفتار
150 t/s
پہلے ٹوکن تک کا وقت
—
ڈیٹا اپڈیٹ
22 اکتوبر، 2026
اندازاً ماہانہ بل
اندازاً ماہانہ اخراجات
$0.00
GPT-4o کے مقابلے میں بچت کا حساب…
حوالہ اور ایمبیڈ
GitHub Markdown بیج
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}
}اسکور بیج شامل کریں
اپنے GitHub یا Hugging Face README میں لائیو Podium اسکور بیج لگائیں — یہ لائیو درجہ بندی پر لے جاتا ہے۔
پیش منظر
Markdown
Loading badge snippet...HTML
Loading badge snippet...StepFun کے مزید ماڈلز
متبادل ماڈلز
صلاحیت، قیمت اور بینچ مارک اسکورز کی بنیاد پر Step Audio 2 کے قریب ترین متبادل۔