多模态模型推理多模态Agent
Step 3.7 Flash
分类：多模态模型 / 上下文：256K / 调用名：step-3.7-flash
Step 3.7 Flash 是阶跃星辰当前公开的旗舰多模态推理模型，支持图片、视频输入、推理强度调节、工具调用和 Agent 工作流。
长上下文推理函数调用代码视觉结构化输出
官方核验于 2026-04-16
阶跃星辰 StepFun
在多模态和新模型热度上有存在感，适合关注国内新一线厂商、想尝试新能力路线的团队。价格和长期稳定性还需要持续观察，但作为增量选择有收录价值。
官方入口原生官方接口付费入口多模态模型
主分类：多模态模型
适合：新能力尝鲜 / 多模态产品 / 国内备选
付费：平台余额充值 / 企业采购
地区：中国大陆
接入判断
按原生接口接阶跃星辰 StepFun 适合作为官方原生入口，接入前先按文档核对鉴权方式、模型 ID 和计费口径。
协议：官方原生 API
价格：以官方价格页为准
模型：已收录 25 个
模型能力
语音模型实时语音副语言感知人设自定义
StepAudio 2.5 Realtime
分类：语音模型 / 上下文：- / 调用名：stepaudio-2.5-realtime
StepAudio 2.5 Realtime 是阶跃星辰当前公开的实时语音对话模型，支持副语言感知、情绪反馈和人设自定义。
语音输入realtime语音输出
语音模型对话情绪理解人设自定义
StepAudio 2.5 Chat
分类：语音模型 / 上下文：- / 调用名：stepaudio-2.5-chat
StepAudio 2.5 Chat 是阶跃星辰当前公开的对话模型，突出副语言感知、情绪理解和可自定义人设。
语音输入语音输出
图像生成图片生成图片编辑低延迟
Step Image Edit 2
分类：图像生成 / 上下文：- / 调用名：step-image-edit-2
Step Image Edit 2 是阶跃星辰当前公开的轻量图像生成与编辑模型，支持文生图、图像编辑和低延迟交互修图。
图像生成image_edit视觉
语言模型推理Agent低推理模式
step-3.5-flash-2603
分类：语言模型 / 上下文：256K / 调用名：step-3.5-flash-2603
基于 Step 3.5 Flash 针对高频 Agent 场景优化，在保留旗舰推理与工具调用能力的同时，进一步提升 Token 效率与推理速度，并支持切换低推理模式以降低消耗。对 Coding 与 Agent 框架兼容性也做了专项优化。
长上下文推理函数调用代码
语音模型Contextual TTS双档语境控制Zero-shot Clone
stepaudio-2.5-tts
分类：语音模型 / 上下文：- / 调用名：stepaudio-2.5-tts
真正具有声音表演能力的语音合成模型，首次将语境理解能力引入语音生成全流程。通过 Global Context（全局语境）+ Inline Context（文中语境）双档控制，配合 Zero-shot Clone，让合成语音有呼吸感、轻重主次和情绪弧线，适合有声书、短剧配音、广告旁白、情感叙事等高表现力场景。
tts语音输出
价格记录更新时间：2026-04-23
查看模型详情语言模型推理工具调用深度推理
step-3.5-flash
分类：语言模型 / 上下文：256K / 调用名：step-3.5-flash
旗舰级推理模型，专为智能体构建而生。推理深度比肩顶尖闭源模型，同时具备极速响应与稳定可靠的工具调用能力。在通用推理能力基础之上，更擅长复杂项目规划与长程任务执行。
¥0.70 / ¥2.10
长上下文推理函数调用
价格记录更新时间：2026-04-23
查看模型详情多模态模型推理图片理解深度推理
step-3
分类：多模态模型 / 上下文：64K / 调用名：step-3
兼顾智能与效率的高性价比推理模型，典型应用场景有图片内容识别和提取、图片分析和推理、逻辑与数学问题回答、代码生成和补全、智能助手和日常问答、复杂问题调研和解答等。
¥1.50 / ¥4.00
长上下文推理代码视觉
价格记录更新时间：2026-04-23
查看模型详情语言模型文本代码工具调用
step-2-mini
分类：语言模型 / 上下文：32K / 调用名：step-2-mini
典型应用场景有文本创意改写、文本摘要生成、文本内容翻译、专业问题回答、角色扮演、信息提取与合并、query指令补全等。
¥1.00 / ¥2.00
函数调用代码
价格记录更新时间：2026-04-23
查看模型详情多模态模型图片理解视频理解文本生成
step-1o-turbo-vision
分类：多模态模型 / 上下文：32K / 调用名：step-1o-turbo-vision
典型应用场景有社媒发帖文案创作、AI问答助手、图片与视频理解等。单次请求限制输入最多50张，总大小控制在20M以内的图片，输入视频为小于128MB的MP4文件。
¥2.50 / ¥8.00
视觉video_understanding
价格记录更新时间：2026-04-23
查看模型详情语音模型语音生成音色复刻情绪风格
step-tts-mini
分类：语音模型 / 上下文：- / 调用名：step-tts-mini
支持中、英、日语、粤语、四川话，提供19种官方音色，兼具出色的音色复刻能力，支持中、英、日语复刻。适合客服外呼、情感陪伴、智能助手语音交互等对发音真人感要求高的场景。
tts语音输出
价格记录更新时间：2026-04-23
查看模型详情语言模型文本通用规划
step-2-16k
分类：语言模型 / 上下文：16K / 调用名：step-2-16k
典型应用场景有资源处理引擎、聊天主播扮演、用户记忆数据整理、食物重量热量预估、意图识别与推荐query生成等。
¥38.00 / ¥120.00
能力标签未整理
价格记录更新时间：2026-04-23
查看模型详情语言模型文本数学代码
step-1-8k
分类：语言模型 / 上下文：8K / 调用名：step-1-8k
典型应用场景有对话中控引擎、销售客服、自动化快讯生成、问题改写、角色扮演、文本分类或关键词提取等。
¥5.00 / ¥20.00
能力标签未整理
价格记录更新时间：2026-04-23
查看模型详情¥15.00 / ¥70.00
能力标签未整理
价格记录更新时间：2026-04-23
查看模型详情多模态模型推理图片理解代码
step-r1-v-mini
分类：多模态模型 / 上下文：100K / 调用名：step-r1-v-mini
典型应用场景有图片内容识别、图片分析和推理、代码生成和补全、数学问题回答、逻辑问题解答、日常问答等。
¥2.50 / ¥8.00
长上下文推理代码视觉
价格记录更新时间：2026-04-23
查看模型详情多模态模型图片理解文本生成视觉理解
step-1o-vision-32k
分类：多模态模型 / 上下文：32K / 调用名：step-1o-vision-32k
典型应用场景有管家机器人、智慧座舱助手、医学影像分析助手、食物识别、图片信息判断、图片内容描述等。单次请求限制最多50张图片，总大小控制在20M以内。
¥15.00 / ¥70.00
视觉
价格记录更新时间：2026-04-23
查看模型详情多模态模型图片理解短上下文视觉理解
step-1v-8k
分类：多模态模型 / 上下文：8K / 调用名：step-1v-8k
典型应用场景为图片描述、食物识别、心理咨询、穿搭建议等。单次请求限制最多20张图片，总大小控制在20M以内。
¥5.00 / ¥20.00
视觉
价格记录更新时间：2026-04-23
查看模型详情多模态模型图片理解长上下文视觉理解
step-1v-32k
分类：多模态模型 / 上下文：32K / 调用名：step-1v-32k
典型应用场景有文献阅读助手、图片理解、角色扮演、日常问答等。单次请求限制最多50张图片，总大小控制在20M以内。
¥15.00 / ¥70.00
视觉
价格记录更新时间：2026-04-23
查看模型详情图像生成图片生成中文支持图像生成
step-1x-medium
分类：图像生成 / 上下文：- / 调用名：step-1x-medium
适用于需要高质量图像生成的场景，如艺术创作、游戏开发等。输入文本最大长度为1024个字符；输入图片需在10Mb以内，像素不大于2048x2048，格式为png或jpeg。单次可请求生成1张图像。
图像生成
价格记录更新时间：2026-04-23
查看模型详情图像生成图片生成中文提示词图像生成
step-2x-large
分类：图像生成 / 上下文：- / 调用名：step-2x-large
新模型生成图片质感更真实，中英文文字生成能力更强。输入文本最大长度为1024个字符；输入图片需在10Mb以内，像素不大于2048x2048，格式为png或jpeg。单次可请求生成1张图像。
图像生成
价格记录更新时间：2026-04-23
查看模型详情图像生成图片编辑图像增强图像生成
step-1x-edit
分类：图像生成 / 上下文：- / 调用名：step-1x-edit
模型能够理解用户的意图，并生成符合要求的图像编辑结果，适合应用于图像编辑、人像美化、艺术创作等场景。输入文本最大长度为512个字符；输入图片需在10Mb以内，像素不大于1024x1024，格式为png或jpeg。单次可请求生成1张图像。
图像生成image_edit
价格记录更新时间：2026-04-23
查看模型详情语音模型高准确率低延迟中英双语
stepaudio-2.5-asr
分类：语音模型 / 上下文：- / 调用名：stepaudio-2.5-asr
阶跃新一代流式语音识别模型，基于 4B MTP 架构，在识别准确率与响应延迟之间取得良好平衡。支持中英文识别与 ITN 文本规范化，适合实时字幕、语音输入、会议记录等对识别速度与准确率均有要求的场景。
speech_recognition语音输入
价格记录更新时间：2026-04-23
查看模型详情speech_recognition语音输入
价格记录更新时间：2026-04-23
查看模型详情语音模型语音识别实时离线
step-asr
分类：语音模型 / 上下文：- / 调用名：step-asr
具有强大的中英文语音识别能力的ASR模型，能够自动区分语音和噪音，支持中英文混合语音识别和多种重口音普通话识别。可广泛应用于语音输入、语音控制、会议记录等场景。
speech_recognition语音输入
价格记录更新时间：2026-04-23
查看模型详情语音模型实时交互工具调用Agent
step-1o-audio
分类：语音模型 / 上下文：- / 调用名：step-1o-audio
提供超低延迟的双向交互语音对话体验，支持中文、英语、重口音普通话输入，支持中、英、日语、粤语和四川话输出。单次互动时长最长30分钟，可处理音频时长最长70分钟。已在智能座舱、智能终端、社交娱乐、情感陪伴、智能客服、金融调解等行业领域落地。
¥25.00 / ¥60.00
函数调用realtime语音输入语音输出
价格记录更新时间：2026-04-23
查看模型详情