StepFun

Step Audio 2

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

#22جاری شدہ 24 ستمبر، 2026·Proprietary·Not disclosed
textaudio64K ctx
API فراہم کنندگانAPI کلید حاصل کریں ←درجہ بندی
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)
Coding (15)Mathematics (15)Hard Science (GPQA) (32)Agentic & Tool Use (55)Knowledge (MMLU) (46)Vision / Multimodal (85)

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 کریں
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."}]
  }'

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
فراہم کنندگان کی میٹرکس دیکھیں →

ذریعے کے لحاظ سے اسکور

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
Step Audio 2 LLMPodium Score
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۔

0 / 4