StepFun 开放平台文档中心

面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作，原生支持文本、图片与视频输入，可结合工具与文档持续推进多步骤任务。API 模型 ID：step-5-preview。

阶跃星辰旗舰多模态推理模型。在 step-3.5-flash 的高速推理与工具调用能力基础上，新增原生多模态输入能力，可直接理解图片和视频内容，无需借助视觉 MCP 或额外模型。支持三档推理强度（low/medium/high），是智能体、代码与多模态场景的快且可依赖的模型。

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。

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60张图片，总大小控制在20M 以内，输入视频为小于128MB 的 MP4文件。

轻量级图像生成编辑模型，单模型同时支持文生图与图像编辑任务。6B 以下参数规模实现同量级性能标杆，可跨量级对标 12B-20B 级开源大模型；单次编辑 1-2 秒，适合实时交互修图。输入图片最大支持 4096x4096 分辨率。

该模型生成图片质感真实，中英文文字生成能力强。输入文本最大长度：文生图 512 字符，图生图 1024 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。

面向实时互动的全双工语音旗舰。融合实时音频理解、自然打断、话权协调、自适应推理、边想边说与 Voice Agent 工具调用，简单问题快速回应，复杂任务边思考边表达，适合智能座舱、智能终端、客服和情感陪伴等场景。

真正具备”活人感”的对话大模型，仅文本返回。能深度理解复杂语意、机智抛梗，具备行业顶级副语言感知力——读懂语气中的迟疑与轻笑，输出高情商反馈。支持千万人设完全自定义，细颗粒度定义性格特征、专属口癖与情绪边界。

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。

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。

32B 参数的 ASR Pro 模型。

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。

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。

面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作，原生支持文本、图片与视频输入，可结合工具与文档持续推进多步骤任务。API 模型 ID：step-5-preview。

阶跃星辰旗舰多模态推理模型。在 step-3.5-flash 的高速推理与工具调用能力基础上，新增原生多模态输入能力，可直接理解图片和视频内容，无需借助视觉 MCP 或额外模型。支持三档推理强度（low/medium/high），是智能体、代码与多模态场景的快且可依赖的模型。

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。

面向真实任务的新一代旗舰基模，重点覆盖编程与专业知识工作，原生支持文本、图片与视频输入，可结合工具与文档持续推进多步骤任务。API 模型 ID：step-5-preview。

阶跃星辰旗舰多模态推理模型。在 step-3.5-flash 的高速推理与工具调用能力基础上，新增原生多模态输入能力，可直接理解图片和视频内容，无需借助视觉 MCP 或额外模型。支持三档推理强度（low/medium/high），是智能体、代码与多模态场景的快且可依赖的模型。

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60张图片，总大小控制在20M 以内，输入视频为小于128MB 的 MP4文件。

面向实时互动的全双工语音旗舰。融合实时音频理解、自然打断、话权协调、自适应推理、边想边说与 Voice Agent 工具调用，简单问题快速回应，复杂任务边思考边表达，适合智能座舱、智能终端、客服和情感陪伴等场景。

真正具备”活人感”的对话大模型，仅文本返回。能深度理解复杂语意、机智抛梗，具备行业顶级副语言感知力——读懂语气中的迟疑与轻笑，输出高情商反馈。支持千万人设完全自定义，细颗粒度定义性格特征、专属口癖与情绪边界。

模型在音色基底、语调层次、节奏律动与气口停顿上高度贴合人类原生口语范式，能够呈现笑声、咂嘴、迟疑、结巴、重复和改口等真人级口语表现，并根据语义脉络自然表达情绪与语气变化。

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。

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。

32B 参数的 ASR Pro 模型。

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。

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。