StepAudio 2.5 TTS (Aug 2026)
StepFun · Chine
- Poids fermés (selon Artificial Analysis)
En bref : 14e sur 96 en synthèse vocale en anglais (Artificial Analysis), ex æquo avec 5 autres modèles dont les marges d'erreur se recouvrent.
Présentation
Modèle de synthèse vocale de StepFun piloté par des consignes en langage naturel, à la fois pour l'ensemble d'un passage et phrase par phrase (émotion, pauses, respiration). Il clone une voix à partir d'environ 3 secondes d'audio de référence. Lu sur platform.stepfun.ai, le 17/10/2026.
- Sortie
- 26 août 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
14e sur 96Elo 1 216, intervalle 1 202 à 1 230, 2 028 votes
Prix : 85 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Synthèse vocale en anglais, Artificial Analysis : devant, Luna TTS (13e, 1 217) · derrière, Gemini 3.1 Flash TTS (15e, 1 213)
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 :
StepAudio 2.5 TTS (Aug 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.ai/docs/en/guides/models/stepaudio-2.5-tts.md (« StepFun's first speech synthesis model to integrate contextual understanding into the entire speech generation pipeline. »), 17/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/audio.md (« Instead of matching preset tags, you describe the delivery you want in natural language, at two levels: »), 17/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/audio.md (« Zero-shot voice cloning**: about 3 seconds of reference audio is enough to clone a voice precisely »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.