الإجابة المختصرة: من نفس الوصف المكتوب، كوين أوديو 3.1 TTS التالي أدى جميع الجمل المنطوقة الثلاث دون أي من تعليمات المسرح. ستيب أوديو جيل 3 يتحدث نص الموضوع كما هو مكتوب، لذا قرأ تعليمات المسرح بصوت عال وتوقف في منتصف السطر الثاني. نظرا لأن المشهد بصيغة مكبرات الصوت المتعددة الخاصة به، أدى StepAudio 3 Gen أول سطرين، وأعاد ملفه في حوالي 5 ثوان مقابل حوالي دقيقة، وكلف أقل بكثير من نصف ذلك. كلاهما يعمل على EmpirioLabs. استمع إلى كل مقطع أدناه؛ نحن لا نعلن الفائز.
المشهد
استوديو إذاعي في وقت متأخر من الليل، مع تشغيل موسيقى جاز ناعمة في الخلفية. يقول مقدم ذكر دافئ: "مساء الخير، ومرحبا بكم من جديد في برنامج نايت أوولز. أول متصل على الخط." يرن هاتف مرة واحدة. تقول متصلة مرحة: "مرحبا! لقد كنت أستمع لسنوات، وأخيرا تمكنت من الاتصال!" يضحك المقدم ويقول: "حسنا، نحن سعداء لأنك فعلت ذلك."
استمع إلى النتائج
النتائج نظرة سريعة
| كوين أوديو 3.1 TTS التالي | ستيب أوديو الجيل الثالث، كما هو مكتوب | ستيب أوديو جيل 3، الأدوار والنصوص | |
|---|---|---|---|
| الصانع | علي بابا | ستيب فان | ستيب فان |
| نقطة النهاية | ما بعد /v1/audio/speech | ما بعد /v1/audio/generations | ما بعد /v1/audio/generations |
| الأسطر المنطوقة، من 3 | 3 | الأولى، ثم جزء من الثانية، مع قراءة تعليمات المسرح بصوت عال | 2 |
| سعر هذا الطلب | $0.0130 | $0.0051 | $0.0049 |
| طول الصوت | 18.0 ثانية | 18.9 ثانية | 15.9 ثانية |
| حان الوقت للملف النهائي | 63 ثانية | حوالي 6 ثوان | حوالي 5 ثوان |
| وحدة الفوترة | الرموز: الوصف، حوالي 200 رمز في الثانية من الصوت الصادر | الشخصيات | الشخصيات |
| أصوات من مقاطع مرجعية | حتى 3 | غير متوفر | غير متوفر |
كيف أدرناها
كل نموذج حصل على نفس المشهد المكتوب، كل صورة واحدة لكل منها، عبر واجهة برمجة التطبيقات EmpirioLabs في 18 أكتوبر 2026، مع كل الإعدادات الأخرى في وضعها الافتراضي. Qwen Audio 3.1 TTS Next أخذ المشهد ك المدخلات، واعتبرها StepAudio 3 Gen ك الموضوع. StepAudio 3 Gen يوثق صيغته الخاصة للمشاهد متعددة السماعات، لذا أرسلنا نفس المشهد بهذه الطريقة: الإعداد التعليم، السماعتان في الأدوار، الخطوط الثلاثة في النصوص، يرن الهاتف بين أقواس مربعة والضحكة بين قوسين. تحققنا من الأسطر التي يتحدث عنها كل مقطع من خلال نسخها باستخدام نموذجين للتعرف على الكلام، ووافقوا على ذلك. الأسعار هي تكلفة هذه الطلبات بالضبط بالأسعار الحالية. تمتد الأوقات من إرسال الطلب إلى الملف النهائي؛ يجيب جيل StepAudio 3 بمهمة، متزامنة من الإنشاء حتى الانتهاء.
ما الذي يجب الاستماع إليه
تعليمات المسرح. Qwen Audio 3.1 TTS بعد ذلك يحول الوصف إلى المشهد نفسه. StepAudio الجيل الثالث ينطق النص الذي يعطى له، لذا الإعداد ينتمي إلى التعليم وإشارات الصوت في أقواس مربعة.
الغرفة. استمع إلى الجاز تحت الأصوات، ورنين الهاتف بين الخطوط، وضحكة المقدم، وكيف يوازن كل مقطع بينهم وخطابه.
السرعة والسعر. أعاد StepAudio 3 Gen مقاطعه في ثوان بأقل من نصف السعر. Qwen Audio 3.1 TTS Next استغرق حوالي دقيقة ويحسب الصوت الذي ينتجه، لذا فإن المشهد الأطول يكلف أكثر.
أجر نفس الاختبار على EmpirioLabs
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "التفويض: حامل $EMPIRIOLABS_API_KEY" \ -h "نوع المحتوى: application/json" \ -d '{ "model": "qwen-audio-3-1-tts-next", "input": "استوديو إذاعي في وقت متأخر من الليل، مع موسيقى جاز ناعمة تعزف في الخلفية. يقول مقدم ذكر دافئ: \"مساء الخير، ومرحبا بكم من جديد في برنامج Night Owls. أول متصل لدينا على الخط." يرن هاتف مرة واحدة. تتصل امرأة مرحة: \"مرحبا! لقد كنت أستمع لسنوات، وأخيرا تمكنت من الاتصال!\" يضحك المقدم ويقول: \"حسنا، نحن سعداء لأنك فعلت.\"" }'StepAudio 3 Gen، بالأدوار والنصوص:
curl https://api.empiriolabs.ai/v1/audio/generations \ -H "التفويض: حامل $EMPIRIOLABS_API_KEY" \ -H "المحتوى-TYPE: application/json" \ -D '{ "MODEL": "stepaudio-3-gen", "تعليمات": "استوديو إذاعي متأخر في الليل، مع تشغيل موسيقى جاز ناعمة في الخلفية.", "الأدوار": [ {"NAME": "مقدم", "وصف": "مذيع إذاعي دافئ"}, {"NAME": "المتصل"، "وصف": "متصل مرح"} ], "نص": [ {"SPEAKER": "المضيف"، "نص": "مساء الخير، ومرحبا بعودتنا إلى نايت أوولز". [EOS]أول متصل على الخط."}, {"المتحدث": "المتصل", "النص": "[يرن الهاتف مرة واحدة] مرحبا! لقد كنت أستمع لسنوات، وأخيرا تمكنت من الاتصال!"}, {"speaker": "Host", "text": "(يضحك) حسنا، نحن سعداء لأنك فعلت."} ] }'StepAudio 3 Gen يجيب بوظيفة؛ اقرأ المقطع النهائي من اذهب /v1/jobs/{job_id}. جرب كلاهما في الملعب.
الأسئلة الشائعة
هل تم تحرير المقاطع أو إعادة تجربتها؟
لا. كل مقطع هو أول صوت أعاد إليه طلبه، دون تعديل. المقطع الثاني من جيل 3 هو طلب مختلف، نفس المشهد في صيغة النموذج الموثقة، وليس إعادة محاولة للأول.
لماذا قرأ StepAudio الوصف بصوت عال؟
ستيب أوديو الجيل الثالث يتحدث نص الموضوع كما هو مكتوب. النص الموجود بين أقواس أو أقواس يؤخذ كإشارة صوتية أو توجيه تسليم بدلا من أن يقرأ، لذا لم يتم نطق رنين الهاتف والضحكة في الطلب الثاني. ضع الإعداد والموسيقى التعليم.
أي واحد يجب أن أستخدم؟
Qwen Audio 3.1 TTS Next يأخذ مشهدا مكتوبا بلغة بسيطة ويمكنه استنساخ حتى ثلاثة أصوات من مقاطع مرجعية. StepAudio 3 Gen أسرع وأقل تكلفة عندما تكتب الأسطور والإشارات بصيغته. استمع إلى المقاطع مع مشهدك الخاص.
جربها
الملعب | كيفية استخدام واجهة برمجة تطبيقات Qwen Audio 3.1 TTS Next | جميع الطرازات | التسعير
إفصاح: كتب هذا المقال بمساعدة الذكاء الاصطناعي وتمت مراجعته من قبل EmpirioLabs AI.
