# StepAudio 2.5 ASR

Éditeur : StepFun (Chine). Poids fermés (selon Artificial Analysis).

En bref : 39e sur 51 en transcription en anglais (Artificial Analysis).

Page : https://quelleia.com/voix/modeles/stepaudio-2-5-asr/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Modèle de reconnaissance vocale de StepFun qui prédit plusieurs jetons à chaque étape (Multi-Token Prediction) pour réduire fortement la latence. Il transcrit le chinois et l'anglais, en envoi unique ou en flux bidirectionnel temps réel avec horodatage. (lu sur https://platform.stepfun.ai/docs/en/guides/models/stepaudio-2.5-asr.md, https://platform.stepfun.ai/docs/en/guides/models/audio.md)

- Sortie : 22 avril 2026 (selon Artificial Analysis)
- Taille : 4 milliards de paramètres (lu sur la page de l'éditeur, https://platform.stepfun.ai/docs/en/guides/models/stepaudio-2.5-asr.md)

## Langues

- Annoncées par l'éditeur : chinois et anglais (zh, en).
- 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://platform.stepfun.ai/docs/en/guides/models/audio.md

## Ses classements

- Transcription en anglais, indice AA-WER : 39e sur 51, taux d'erreur par mot 4,67 % ; prix : 0,37 $ pour 1 000 minutes de parole ; par jeu de test : AA-AgentTalk 4,03 %, Earnings22 8,12 %, VoxPopuli 2,50 %. Source : Artificial Analysis, https://artificialanalysis.ai/speech-to-text/models/stepaudio (relevé du 19 octobre 2026).

## Modèles proches

- Transcription en anglais, indice AA-WER : [Whisper Large v3 Turbo](https://quelleia.com/voix/modeles/whisper-large-v3-turbo/), 38e (4,62 %), juste devant
- Transcription en anglais, indice AA-WER : [Nova 2 Pro](https://quelleia.com/voix/modeles/amazon-nova-2-pro/), 40e (4,86 %), juste derrière

## Comment lire ces chiffres

- Transcription : Le taux d'erreur par mot compte les mots mal transcrits, oubliés ou ajoutés, pour cent mots prononcés : plus il est bas, mieux c'est. Chaque tableau vient d'une seule source, sur ses propres enregistrements : deux tableaux ne se comparent pas chiffre à chiffre.

## Noms dans les sources

- Artificial Analysis : StepAudio 2.5 ASR

## Liens

- Page de l'éditeur : https://platform.stepfun.ai/docs/en/guides/models/stepaudio-2.5-asr
- L'essayer : https://platform.stepfun.ai/docs/en/api-reference/audio/asr-sse

## Pages lues

- https://platform.stepfun.ai/docs/en/guides/models/stepaudio-2.5-asr.md (« StepAudio 2.5 ASR is a 4B-parameter speech recognition model. It introduces Multi-Token Prediction (MTP) technology to predict multiple tokens per step in parallel »), 17/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/audio.md (« Supports Chinese and English recognition with ITN text normalization. »), 17/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/audio.md (« stream audio over WebSocket and receive incremental and final results with per-word timing; supports server-side VAD. »), 17/10/2026