Um laboratório de IA baseado em Xangai acabou de envergonhar silenciosamente alguns dos maiores nomes da tecnologia. O StepAudio 2.5 Realtime da StepFun, lançado por volta de 24 de maio, dominou todos os cinco principais benchmarks de IA de voz dos testes de abril de 2026, superando tanto o GPT Realtime 1.5 quanto o Gemini Live.
O modelo não apenas entende o que você diz. Ele entende como você diz, interpretando tom, emoção e velocidade da fala de maneiras que fazem a maioria dos assistentes de voz concorrentes parecerem que estão lendo um roteiro em tom monótono.
Os números por trás do ruído
StepAudio 2.5 Realtime obteve as melhores pontuações em todas as categorias de benchmark testadas. Na avaliação humana, obteve 80,41. O desempenho geral em diálogos atingiu 86,36. Os testes de cenário automotivo, que medem o quão bem o modelo lida com interações de voz em contextos de direção, alcançaram 84,80.
O benchmark de perguntas e respostas faladas, abrangendo 11 tarefas separadas, obteve 79,80. E a pontuação de compreensão paralinguística, métrica possivelmente a mais interessante aqui, atingiu 82,18.
Para contexto, o predecessor do modelo, StepAudio 2, já havia chamado a atenção com uma pontuação de 77,4% no benchmark MMAU. A transição para o 2.5 Realtime representa uma evolução significativa, não apenas um aumento incremental disfarçado com linguagem de marketing.
Como funciona realmente
A arquitetura é o que diferencia isso do restante. O StepAudio 2.5 Realtime utiliza um design unificado de entrada e saída de áudio que combina três capacidades principais em um único framework: Reconhecimento Automático de Fala (ASR), Síntese de Fala em Texto (TTS) e processamento de diálogo em tempo real.
Pense assim: a maioria dos sistemas de IA de voz funciona em etapas. Eles transcrevem sua fala em texto, processam o texto, geram uma resposta em texto e depois convertem isso de volta para áudio. Cada transferência introduz latência e perde nuances. A abordagem da StepFun reduz essas etapas a um único sistema coeso.
A fórmula secreta é o que a StepFun chama de Aprendizado por Reforço com Feedback Humano específico de persona, ou RLHF. O RLHF padrão treina um modelo para fornecer respostas melhores com base nas preferências humanas. A versão da StepFun vai além, adaptando esse ciclo de feedback a personas específicas, o que significa que o modelo pode manter traços de caráter consistentes durante roleplays prolongados ou cenários de atendimento ao cliente.
O modelo atualmente suporta chinês e inglês, conecta-se via API WebSocket sob a string do modelo ‘step-2.5-realtime’ e está acessível por meio da API da plataforma StepFun e de um console dedicado em tempo real. Um relatório técnico detalhando a arquitetura foi publicado no arXiv sob o identificador 2605.23463.
Por que a compreensão paralinguística importa
A pontuação de 82,18 do StepAudio 2.5 em compreensão paralinguística sugere que o StepFun fez progressos reais nesse problema. Um assistente de voz que consegue detectar frustração no tom do chamador e encaminhar para um agente humano, ou diminuir a velocidade da fala quando percebe confusão, representa um produto fundamentalmente diferente de um que simplesmente processa palavras com precisão.
A pontuação de referência do cenário automotivo de 84,80 sugere outra aplicação lucrativa. Assistentes de voz no carro precisam lidar com ambientes barulhentos, interpretar comandos rapidamente e, idealmente, entender quando um motorista parece estressado em vez de relaxado.