# Step Audio EditX (Mar 2026)

Éditeur : StepFun (Chine). Poids ouverts.

En bref : 39e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un groupe de 10 modèles trop proches pour être départagés.

Page : https://quelleia.com/voix/modeles/step-audio-editx-mar-2026/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Modèle audio de StepFun spécialisé dans l'édition itérative d'une voix (émotion, style de parole, sons paralinguistiques comme la toux ou les pleurs). Il fait aussi de la synthèse vocale avec clonage de voix sans entraînement préalable (zero-shot). (lu sur https://huggingface.co/stepfun-ai/Step-Audio-EditX)

- Sortie : 12 février 2026 (selon Artificial Analysis)
- Taille : 3 milliards de paramètres (lu sur la page de l'éditeur, https://huggingface.co/stepfun-ai/Step-Audio-EditX)

## Langues

- Annoncées par l'éditeur : mandarin, anglais, sichuanais, cantonais, japonais et coréen ; français prévu (zh, en, ja, ko).
- Évaluées par nos sources : anglais.
- Le français : absent des langues annoncées par l'éditeur ; pas évalué en français par nos sources.
- Source des langues annoncées : https://huggingface.co/stepfun-ai/Step-Audio-EditX, https://huggingface.co/stepfun-ai/Step-Audio-EditX/raw/main/README.md

## Ses classements

- Synthèse vocale en anglais, Artificial Analysis : 39e sur 96, Elo 1 100 (intervalle à 95 % : 1 088 à 1 112), 2 249 votes. Source : Artificial Analysis, https://artificialanalysis.ai/text-to-speech/model-families/stepfun (relevé du 19 octobre 2026).

## Modèles proches

- Synthèse vocale en anglais, Artificial Analysis : [TTS-1 HD](https://quelleia.com/voix/modeles/openai-tts-1-hd/), 38e (1 102), juste devant
- Synthèse vocale en anglais, Artificial Analysis : [Eleven Turbo v2.5](https://quelleia.com/voix/modeles/elevenlabs-turbo-v2-5/), 40e (1 097), juste derrière

## Comment lire ces chiffres

- Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.

## Noms dans les sources

- Artificial Analysis : Step Audio EditX (Mar 2026)

## Liens

- Page de l'éditeur : https://huggingface.co/stepfun-ai/Step-Audio-EditX
- L'essayer : https://huggingface.co/spaces/stepfun-ai/Step-Audio-EditX

## Pages lues

- https://huggingface.co/stepfun-ai/Step-Audio-EditX (« We are open-sourcing Step-Audio-EditX, a powerful 3B-parameter LLM-based Reinforcement Learning audio model specialized in expressive and iterative audio editing. »), 17/10/2026
- https://huggingface.co/stepfun-ai/Step-Audio-EditX (« It excels at editing emotion, speaking style, and paralinguistics, and also features robust zero-shot text-to-speech (TTS) capabilities. »), 17/10/2026
- https://huggingface.co/stepfun-ai/Step-Audio-EditX (« Excellent zero-shot TTS cloning for Mandarin, English, Sichuanese, and Cantonese. »), 17/10/2026
- https://huggingface.co/stepfun-ai/Step-Audio-EditX (« Now supporting Japanese and Korean languages. »), 17/10/2026
- https://huggingface.co/stepfun-ai/Step-Audio-EditX/raw/main/README.md (« - [x] Japanese, Korean - [ ] Arabic, French, Russian, Spanish, etc. »), 17/10/2026