Ce document présente Step-Audio~2, un modèle de langage à grande échelle multimodal en une seule étape, conçu pour une compréhension audio de niveau industriel et une conversation vocale. En intégrant un encodeur audio latent et un apprentissage par renforcement axé sur le raisonnement (RL), Step-Audio 2 atteint des performances prometteuses en reconnaissance automatique de la parole (ASR) et en compréhension audio. Pour faciliter une conversation vocale véritablement en une seule étape, Step-Audio 2 intègre la génération de tokens audio discrets dans le modèle de langage, ce qui améliore significativement sa réactivité aux informations paralinguistiques telles que les styles de parole et les émotions. Afin d'exploiter efficacement les connaissances textuelles et acoustiques riches présentes dans les données du monde réel, Step-Audio 2 intègre une génération augmentée par la recherche (RAG) et est capable d'appeler des outils externes tels que la recherche sur le web pour atténuer les hallucinations, ou la recherche audio pour changer les timbres. Formé sur des millions d'heures de données vocales et audio, Step-Audio 2 offre une intelligence et une expressivité adaptées à divers scénarios de conversation. Les résultats d'évaluation montrent que Step-Audio 2 atteint des performances de pointe sur divers benchmarks de compréhension audio et de conversation par rapport à d'autres solutions open source et commerciales. Veuillez consulter https://github.com/stepfun-ai/Step-Audio2 pour plus d'informations.