StepAudio 2.5 ASR
StepFun · Chine
- Poids fermés (selon Artificial Analysis)
En bref : 39e sur 51 en transcription en anglais (Artificial Analysis).
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 platform.stepfun.ai, le 17/10/2026.
- Sortie
- 22 avril 2026 selon Artificial Analysis
- Taille
- 4 milliards de paramètres lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : chinois et anglais (zh, en). Lu sur platform.stepfun.ai.
- Évaluées par nos sources : anglais.
- Le français : absent des langues annoncées par l'éditeur ; 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 · Transcription
Transcription en anglais, indice AA-WER
39e sur 51taux d'erreur par mot 4,67 %
Prix : 0,37 $ pour 1 000 minutes de parolePar jeu de test : AA-AgentTalk 4,03 %, Earnings22 8,12 %, VoxPopuli 2,50 %
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Transcription en anglais, indice AA-WER : devant, Whisper Large v3 Turbo (38e, 4,62 %) · derrière, Nova 2 Pro (40e, 4,86 %)
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.
D'où vient cette fiche
- Nom dans les sources
- Artificial Analysis :
StepAudio 2.5 ASR - 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.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
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.