StepAudio 3 Realtime
StepFun · Chine
- Poids fermés (selon Artificial Analysis)
En bref : 1er sur 38 en raisonnement à l'écoute (Big Bench Audio) ; 1er sur 31 en tenue de la conversation (Full Duplex Bench) ; 34e sur 34 au délai avant le premier son.
Présentation
Modèle vocal en duplex intégral de StepFun, servi par son API Realtime en préversion gratuite, qui raisonne en parlant et appelle des outils. Il perçoit aussi le ton, l'émotion et les bruits ambiants et gère les interruptions et les relances. Lu sur platform.stepfun.ai, le 23/10/2026.
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.
Ses 3 classements
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 · Voix à voix
Raisonnement à l'écoute, Big Bench Audio
1er sur 38part de réussite 99,7 %
Source : Artificial Analysis · relevé du 9 novembre 2026.
- En anglais · Voix à voix
Tenue de la conversation, Full Duplex Bench
1er sur 31part de réussite 98,9 %
Source : Artificial Analysis · relevé du 9 novembre 2026.
- En anglais · Voix à voix
Délai avant le premier son
34e sur 34délai avant le premier son 8,84 s
Source : Artificial Analysis · relevé du 9 novembre 2026.
Modèles proches
- Raisonnement à l'écoute, Big Bench Audio : derrière, Qwen Audio 3.0 Realtime Plus (2e, 99,2 %)
- Tenue de la conversation, Full Duplex Bench : derrière, Qwen Audio 3.0 Realtime Plus (2e, 98,4 %)
- Délai avant le premier son : devant, Qwen3 Omni 30B A3B Instruct (flash) (33e, 4,82 s)
Comment lire ces chiffres
Voix à voix : Un agent vocal écoute et répond de vive voix. Artificial Analysis le mesure sur plusieurs épreuves en anglais : son indice les résume sur 100, Big Bench Audio compte les bonnes réponses à des questions posées à l'oral, la tenue de la conversation compte les situations bien gérées (pauses, interruptions), plus c'est haut, mieux c'est ; le délai avant le premier son se lit à l'inverse, plus il est court, mieux c'est.
D'où vient cette fiche
- Nom dans les sources
- Artificial Analysis (voix à voix) :
StepAudio 3 Realtime - Fiche
- Registre de QUELLE IA.
- Pages lues
- https://platform.stepfun.ai/docs/en/guides/models/stepaudio-3-realtime.md (« Capabilities: natural human-like interaction, full-duplex dialogue, adaptive reasoning, think-while-speaking, Voice Agent »), 23/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/stepaudio-3-realtime.md (« It recognizes not only what the user says, but also tone, emotion, paralinguistic cues, and ambient sound. »), 23/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/stepaudio-3-realtime.md (« `stepaudio-3-realtime-preview` is the model name used during the free-trial period. »), 23/10/2026
- https://platform.stepfun.ai/docs/en/guides/models/audio.md (« Realtime - Chinese, English »), 23/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, la voix à voix, ou cette fiche en texte.