Qwen Audio 3.1 TTS Next vs StepAudio 3 Gen: eine Radioszene

Kurze Antwort: aus derselben schriftlichen Beschreibung, Qwen Audio 3.1 TTS Next alle drei gesprochenen Zeilen und keine der Regieanweisungen aufgeführt. StepAudio 3 Gen spricht den Text seiner prompt wie geschrieben, so las es die Bühnenanweisungen laut vor und stoppte mitten in der zweiten Zeile. Angesichts der Szene in einem eigenen Multi-Lautsprecher-Format spielte StepAudio 3 Gen die ersten beiden Zeilen, gab die Datei in etwa 5 Sekunden gegenüber etwa einer Minute zurück und kostete deutlich unter die Hälfte. Beide laufen auf EmpirioLabs. Hören Sie sich jeden Clip unten an; wir erklären keinen Gewinner.

Die Szene

Ein nächtliches Radiostudio, im Hintergrund läuft sanfter Jazz. Ein warmer männlicher Moderator sagt: "Guten Abend und willkommen zurück bei Night Owls. Unser erster Anrufer ist in der Leitung." Ein Telefon klingelt einmal. Eine fröhliche weibliche Anruferin sagt: "Hallo! Ich höre seit Jahren zu und habe endlich durchgearbeitet!" Der Moderator lacht und sagt: "Nun, wir freuen uns, dass du es getan hast."

Hören Sie sich die Ergebnisse an

Ergebnisse auf einen Blick

Wie wir es geführt haben

Jedes Modell erhielt am 18. Oktober 2026 dieselbe geschriebene Szene, jeweils eine Einstellung, über die EmpirioLabs API, mit allen anderen Einstellungen als Standardeinstellung. Qwen Audio 3.1 TTS Next nahm die Szene als Eingabe, und StepAudio 3 Gen nahm es als prompt. StepAudio 3 Gen dokumentiert sein eigenes Format für Multi-Lautsprecher-Szenen, daher haben wir dieselbe Szene auch so gesendet: das Setting in Unterricht, die beiden Sprecher in Rollen, die drei Zeilen in Drehbücher, das Telefonklingeln in eckigen Klammern und das Lachen in Klammern. Wir überprüften, welche Zeilen jeder Clip spricht, indem wir ihn mit zwei Spracherkennungsmodellen transkribierten, die übereinstimmten. Die Preise entsprechen den Preisen, die diese genauen Anfragen zu aktuellen Tarifen kosten. Die Zeiten verlaufen vom Senden der Anfrage bis zur fertigen Datei; StepAudio 3 Gen antwortet mit einem Job, zeitlich von der Erstellung bis zum Abschluss.

Worauf man achten sollte

Bühnenanweisungen. Qwen Audio 3.1 TTS Anschließend verwandelt die Beschreibung in die Szene selbst. StepAudio 3 Gen spricht den vorgegebenen Text aus, daher gehört das Setting dazu. Unterricht und die Klanghinweise in eckigen Klammern.

Das Zimmer. Hören Sie auf den Jazz unter den Stimmen, das Telefonklingeln zwischen den Leitungen, das Lachen des Moderators und darauf, wie jeder Clip sie mit der Rede ausbalanciert.

Geschwindigkeit und Preis. StepAudio 3 Gen gab seine Clips innerhalb von Sekunden zu deutlich unter der Hälfte des Preises zurück. Qwen Audio 3.1 TTS Next benötigte etwa eine Minute und berechnete das erzeugte Audio, sodass eine längere Szene teurer war.

Führe denselben Test bei EmpirioLabs

curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorisierung: Träger $EMPIRIOLABS_API_KEY" \ -H "Inhaltstyp: application/json" \ -d '{ "model": "qwen-audio-3-1-tts-next", "input": "Ein Nachtradiostudio, im Hintergrund läuft sanfter Jazz. Ein warmer männlicher Moderator sagt: "Guten Abend und willkommen zurück bei Night Owls. Unser erster Anrufer ist in der Leitung." Ein Telefon klingelt einmal. Eine fröhliche weibliche Anruferin sagt: "Hallo! Ich höre seit Jahren zu und bin endlich durchgekommen!" Der Moderator lacht und sagt: "Wir sind froh, dass Sie es getan haben."" }'

StepAudio 3 Gen, in Rollen und Skripten:

curl https://api.empiriolabs.ai/v1/audio/generations \ -H "Autorisierung: Träger $EMPIRIOLABS_API_KEY" \ -H "Inhaltstyp: application/json" \ -d '{ "Model": "stepaudio-3-gen", "Instruktion": "Ein nächtliches Radiostudio mit sanftem Jazz im Hintergrund.", "Rollen": [ {"Name": "Moderator", "Beschreibung": "Ein warmer männlicher Radiomoderator"}, {"Name": "Anrufer", "Beschreibung": "Eine fröhliche weibliche Anruferin"} ], "Scripts": [ {"speaker": "Host", "text": "Guten Abend und willkommen zurück bei Night Owls. Unser erster Anrufer ist in der Leitung."}, {"speaker": "Anrufer", "Text": "[Ein Telefon klingelt einmal] Hallo! Ich höre seit Jahren zu, und ich habe es endlich geschafft!"}, {"speaker": "Host", "text": "(lacht) Nun, wir freuen uns, dass du es getan hast."} ] }'

StepAudio 3 Gen antwortet mit einem Job; lies den fertigen Clip aus KOMM /v1/jobs/{job_id}. Probiere beides in der spielplatz.

Häufig gestellte Fragen

Wurden die Clips bearbeitet oder erneut versucht?

Nein. Jeder Clip ist das erste Audio, das seine Anfrage zurückgegeben hat, unbearbeitet. Der zweite StepAudio 3-Gen-Clip ist eine andere Anfrage, dieselbe Szene im dokumentierten Format des Modells, kein erneuter Versuch des ersten.

Warum hat StepAudio 3 Gen die Beschreibung laut vorgelesen?

StepAudio 3 Gen spricht den Text von prompt wie geschrieben. Text in eckigen Klammern oder Klammern wird als Tonhinweis oder Überbringungsanweisung interpretiert, anstatt vorgelesen zu werden, sodass das Klingeln des Telefons und das Lachen in der zweiten Anfrage nicht ausgesprochen wurden. Geben Sie die Einstellung und die Musik ein Unterricht.

Welche sollte ich verwenden?

Qwen Audio 3.1 TTS Next nimmt eine Szene, die in klarer Sprache geschrieben ist, und kann bis zu drei Stimmen aus Referenzclips kopieren. StepAudio 3 Gen ist schneller und kostet weniger, wenn die Zeilen und Hinweise in seinem Format geschrieben werden. Hören Sie die Clips mit Ihrer eigenen Szene.

Probier es mal

Spielplatz | Wie man die Qwen Audio 3.1 TTS Next API verwendet | Alle Modelle | Preisgestaltung

Offenlegung: Dieser Artikel wurde mit KI-Unterstützung geschrieben und von EmpirioLabs AI überprüft.