Step TTS 2 (Mar 2026)
StepFun · Chine
- Poids fermés (selon Artificial Analysis)
En bref : 30e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un peloton de 7 modèles que la marge d'erreur ne permet pas de séparer.
Présentation
Modèle de synthèse vocale de StepFun qui succède à Step TTS Mini, avec une génération de bout en bout sans module dédié au locuteur ni à l'émotion. Il propose 11 émotions et 17 styles contrôlables et clone une voix à partir d'environ 10 secondes d'audio. Lu sur platform.stepfun.com, le 17/10/2026.
- Sortie
- 12 février 2026 selon Artificial Analysis
Langues
- Évaluées par nos sources : anglais.
- Le français : pas évalué en français par nos sources.
Son classement
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En anglais · Synthèse vocale
Synthèse vocale en anglais, Artificial Analysis
30e sur 96Elo 1 136, intervalle 1 124 à 1 148, 2 679 votes
Prix : 40 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Synthèse vocale en anglais, Artificial Analysis : devant, Azure HD 2.5 (29e, 1 137) · derrière, Async Pro v1.0 (31e, 1 129)
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.
D'où vient cette fiche
- Nom dans les sources
- Artificial Analysis :
Step TTS 2 (Mar 2026) - Fiche
- Nom et éditeur tels que la source les écrit ; présentation et langues lues sur les pages de l'éditeur.
- Pages lues
- https://platform.stepfun.com/docs/zh/guides/models/audio.md (« `step-tts-mini` 的升级版：极简高效设计摒弃传统 speaker/emotion 嵌入模块，通过纯 NTP 实现端到端语音生成，大幅降低系统复杂度。 »), 17/10/2026
- https://platform.stepfun.com/docs/zh/guides/models/audio.md (« 内置 11 种情绪 与 17 种风格 控制，覆盖从温柔甜美到严肃豪爽的多样化表达。 »), 17/10/2026
- https://platform.stepfun.com/docs/zh/guides/models/audio.md (« 仅需约 10 秒参考音频，即可精准复刻音色，并零成本激活全部情绪与风格控制 »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.