
Erzeugt Dialoge, Soundeffekte, Ambiente und Hintergrundmusik zusammen in einem Clip aus einer geschriebenen Szene.
Erzeugt Dialoge, Soundeffekte, Ambiente und Hintergrundmusik zusammen in einem Clip aus einer geschriebenen Szene.
Die Zeichenzählung folgt den Preisen von StepFun: Ein chinesisches Zeichen zählt als ein Zeichen, zwei englische Buchstaben als ein Zeichen und zwei Satzzeichen als ein Zeichen.
Auch bekannt als StepFun StepAudio 3 Gen
stepaudio-3-gen/v1/audio/generationsstepaudio-3-gen-previewstepfun/stepaudio-3-genErgebnisse aus unseren veröffentlichten Tests. Jedes verlinkt den Beitrag, aus dem es stammt.
Live Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du kannst auch einen Plan mit wöchentlichen Kontingenten wählen.
StepAudio 3 Gen läuft über POST /v1/audio/generations. Der Request liefert sofort eine job_id; frage GET /v1/jobs/{job_id} ab, bis der Job abgeschlossen ist, und lies die Ausgabe-URLs aus dem Ergebnis. Hol dir einen API-Schlüssel im EmpirioLabs Dashboard.
curl https://api.empiriolabs.ai/v1/audio/generations \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "stepaudio-3-gen",
"prompt": "Describe what you want StepAudio 3 Gen to generate."
}'curl https://api.empiriolabs.ai/v1/jobs/JOB_ID \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY"import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/generations",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={
"model": "stepaudio-3-gen",
"prompt": "Describe what you want StepAudio 3 Gen to generate.",
},
)
job = response.json()
# Generation runs as an async job. Poll until it completes.
import time
while True:
status = requests.get(
f"https://api.empiriolabs.ai/v1/jobs/{job['job_id']}",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
).json()
if status.get("status") in ("completed", "failed"):
print(status)
break
time.sleep(5)Request-Parameter, die die StepAudio 3 Gen API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.
| Parameter | Typ | Standard | Bereich / Werte | Beschreibung |
|---|---|---|---|---|
| prompt | string | - | - | Text zum Sprechen, wie geschrieben lesen. Wickle einen Soundeffekt oder Musikhinweis in eckigen Klammern und eine Lieferanweisung in Klammern und beschreibe die... |
| instruction | string | - | max. 500 | Globale Anleitungen für Setting, Hintergrundmusik und emotionalen Ton. Maximal 500 Zeichen. |
| roles | string | - | - | Optionale Lautsprecher, als Objekte mit Namen und Sprachbeschreibung. Alle Namen und Beschreibungen zusammen sind auf 500 Zeichen begrenzt. |
| scripts | string | - | - | Optionale geordnete Zeilen, als Objekte mit Sprecher und Text. Maximal auf insgesamt 1.000 Zeichen. Verwenden Sie dies statt Prompt für Mehrsprecher-Szenen. |
| response_format | enum | mp3 | mp3, wav, flac, opus, pcm | Audioformat ausgeben. |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 48000 | Ausgabe-Abtastrate in Hz. |
| speed | number | 1 | 0.5 bis 2 | Sprachgeschwindigkeit. |
| volume | number | 1 | 0.1 bis 2 | Lautstärke ausgeben. |
| text_normalization | enum | standard | standard, enhanced | Wie Zahlen, Daten und Symbole laut vorgelesen werden. |
Ein fertiger Clip mit gesprochenen Zeilen, Soundeffekten, Ambiente und Hintergrundmusik zusammen. Der Text in Prompt und Skripten wird wie geschrieben gesprochen: Beschreiben Sie das Setting und die Hintergrundmusik in der Instruktion, wickeln Sie einen Soundeffekt oder Musikcue in quadratische Klammern und setzen Sie eine Lieferanweisung in Klammern. Senden Sie einen Prompt oder verwenden Sie Rollen und Skripte für die Steuerung mehrerer Lautsprecher. Rollen und Instruktion sind auf jeweils 500 Zeichen begrenzt, Skripte auf 1.000. Ausgabeformate sind mp3, wav, flac, opus und pcm. Referenzstimmen und Stimmklonen sind bei diesem Modell nicht verfügbar. Dieses Modell befindet sich in der Vorschau und seine Fähigkeiten können sich ändern.
Ankündigungen, Prompt-Tests und Vergleiche, die dieses Modell abdecken.
Auf EmpirioLabs wird StepAudio 3 Gen nach Verbrauch abgerechnet: Erzeugung $0.14 pro 10.000 Zeichen. Du kannst auch einen Plan mit wöchentlichen Kontingenten wählen. Die Live-Preistabelle auf dieser Seite entspricht immer dem, was die API berechnet.
StepAudio 3 Gen nimmt Text als Eingabe an und gibt Audio aus.
StepAudio 3 Gen wird über POST /v1/audio/generations auf api.empiriolabs.ai mit normaler Bearer-Token-Authentifizierung bereitgestellt.
Sende stepaudio-3-gen als Modell in deinem Request. Die alternativen IDs stepaudio-3-gen-preview, stepfun/stepaudio-3-gen funktionieren ebenfalls.
StepFun hat StepAudio 3 Gen am 9. Sept. 2026 veröffentlicht.
StepAudio 3 Gen auf EmpirioLabs wird aus International bereitgestellt.
Ja. Der EmpirioLabs Playground führt StepAudio 3 Gen im Browser mit denselben Parametern aus, die die API bietet. So kannst du Prompts testen, bevor du Code schreibst.
Erstelle ein EmpirioLabs-Konto und generiere dann einen Schlüssel unter API Keys im Dashboard. Die Abrechnung erfolgt über Pay-as-you-go-Guthaben, du zahlst also nur für deine Requests. Du kannst auch einen Plan mit wöchentlichen Kontingenten wählen.
Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.