StepEval Audio Paralinguistic est un ensemble de données d'évaluation de la compréhension paralinguistique audio publié par l'équipe d'IA StepFun en 2025. Le document associé est "Rapport technique Step-Audio 2", qui vise à évaluer la capacité des modèles d'IA à comprendre les informations paralinguistiques (telles que le sexe, l'âge, le ton, les émotions, etc.) dans la parole.

Cet ensemble de données comprend 550 échantillons de parole, répartis uniformément sur 11 dimensions : genre, âge, timbre, émotion, hauteur, rythme, débit, style de parole, activité vocale, scénario et type d'événement. Les huit premières tâches sont basées sur des extraits audio chinois issus de 400 podcasts publics, tandis que les trois dernières utilisent 50 échantillons audio provenant chacun d'AudioSet (événements), CochlScene (scènes environnementales) et VocalSound (effets sonores vocaux). Tous les échantillons ont une durée inférieure à 30 secondes, sont uniformément rééchantillonnés à 24 kHz et annotés par une équipe de professionnels.