
Sprache ein, Sprache raus, über einen Sockel. Unterbrechungsbar mitten in der Antwort, wobei die Erkennung der Sprachaktivität entscheidet, wann geantwortet wird.
Sprache ein, Sprache raus, über einen Sockel. Unterbrechungsbar mitten in der Antwort, wobei die Erkennung der Sprachaktivität entscheidet, wann geantwortet wird.
Die Sitzung wird mit session.update-Ereignissen über den Socket konfiguriert, anstatt mit Anfrageparametern.
Auch bekannt als StepFun StepAudio 3 Realtime
stepaudio-3-realtime/v1/realtimestepaudio-3-realtime-previewstepfun/stepaudio-3-realtimeLive Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du kannst auch einen Plan mit wöchentlichen Kontingenten wählen.
StepAudio 3 Realtime führt ein Live-Gespräch über einen WebSocket unter wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime, nicht über die HTTP-Endpunkte. Verbinden Sie sich mit der Modell-ID stepaudio-3-realtime und senden Sie Ihren EmpirioLabs-API-Schlüssel beim Handshake als Authorization: Bearer-Header. Audio läuft in beide Richtungen als base64-kodiertes 16-Bit-PCM. Ein Browser kann bei einem WebSocket keine Header setzen. Öffnen Sie diese Verbindung daher von Ihrem Server aus und leiten Sie das Audio über Ihren eigenen Socket an den Browser weiter. Hol dir einen API-Schlüssel im EmpirioLabs Dashboard.
import asyncio, json, os, websockets
async def main():
async with websockets.connect(
"wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime",
additional_headers=[
("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
],
max_size=None,
) as ws:
print(json.loads(await ws.recv())["type"]) # session.created
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {
"type": "message",
"role": "user",
"content": [{"type": "input_text", "text": "Say hello."}],
},
}))
await ws.send(json.dumps({"type": "response.create"}))
async for raw in ws:
event = json.loads(raw)
if event["type"] == "response.audio.delta":
... # base64 audio chunk, append to your playback buffer
elif event["type"] == "response.done":
break
asyncio.run(main())Request-Parameter, die die StepAudio 3 Realtime API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.
| Parameter | Typ | Standard | Bereich / Werte | Beschreibung |
|---|---|---|---|---|
| voice | enum | soft-spoken-gentleman | soft-spoken-gentleman, magnetic-voiced-male, vibrant-youth, l... | Session Voice, mit session.update eingestellt, bevor das Modell Audio erzeugt. Sie kann nicht geändert werden, sobald das Modell gesprochen hat, und alle anderen... |
| instructions | string | - | - | Systemanweisungen für die Sitzung: Persona, Sprechstil und Grenzen. |
| modalities | string | ["text","audio"] | - | Reaktionsmodalitäten für die Sitzung. |
| volume_ratio | number | 1 | 0.1 bis 2 | Lautstärke der gesprochenen Antwort im Vergleich zum Standard. Akzeptierter Bereich liegt bei 0,1 bis 2,0. |
| input_audio_format | enum | pcm16 | pcm16 | Codierung des gesendeten Audios. 16-Bit-PCM. |
| output_audio_format | enum | pcm16 | pcm16 | Codierung des Audios, das das Modell zurückgibt. 16-Bit-PCM. |
| turn_detection | string | {"type":"server_vad"} | - | Serverseitige Sprachaktivitätserkennung. Entscheidet, wann du aufgehört hast zu sprechen, und das Modell soll antworten. Ohne sie hört das Modell zu, antwortet aber... |
Full-Duplex-Stimme über einen WebSocket unter wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime, authentifiziert mit dem gewöhnlichen Authorization Bearer-Header. Audio ist pcm16 in und out. Das Modell hört während des Sprechens, sodass es mitten in der Antwort unterbrochen werden kann, und die serverseitige Sprachaktivitätserkennung entscheidet, wann geantwortet wird. Stellen Sie die Stimme mit session.update vor dem ersten Audio ein; sie kann nicht mehr geändert werden, sobald das Modell gesprochen hat, und nur die sieben aufgeführten Stimmen werden akzeptiert. Das Gespräch ist ausschließlich auf Chinesisch und Englisch. Eine Sitzung wird nach ihrer Länge berechnet, vom Zeitpunkt der Öffnung bis zum Schließen, in ganzen Sekunden, wobei eine teilweise Sekunde als volle Sekunde gezählt wird. Dieses Modell befindet sich in der Vorschau und seine Fähigkeiten können sich ändern.
Auf EmpirioLabs wird StepAudio 3 Realtime nach Verbrauch abgerechnet: Sitzung $0.125 pro Minute. Du kannst auch einen Plan mit wöchentlichen Kontingenten wählen. Die Live-Preistabelle auf dieser Seite entspricht immer dem, was die API berechnet.
StepAudio 3 Realtime nimmt Audio, Text als Eingabe an und gibt Audio, Text aus.
StepAudio 3 Realtime unterstützt ein Kontextfenster von 256K Token mit bis zu 131.072 Ausgabe-Token pro Antwort.
StepAudio 3 Realtime wird über WEBSOCKET /v1/realtime auf api.empiriolabs.ai mit normaler Bearer-Token-Authentifizierung bereitgestellt.
Sende stepaudio-3-realtime als Modell in deinem Request. Die alternativen IDs stepaudio-3-realtime-preview, stepfun/stepaudio-3-realtime funktionieren ebenfalls.
StepFun hat StepAudio 3 Realtime am 6. Aug. 2026 veröffentlicht.
StepAudio 3 Realtime auf EmpirioLabs wird aus International bereitgestellt.
Öffnen Sie das EmpirioLabs Playground und klicken Sie auf Start session, um es im Browser zu testen. StepAudio 3 Realtime läuft über einen WebSocket statt über Anfrage und Antwort, beginnen Sie für die Integration deshalb mit dem Schnellstart für Echtzeit-Sprache. Verbinden Sie sich von Ihrem Server aus mit Ihrem EmpirioLabs-API-Schlüssel und der Modell-ID stepaudio-3-realtime und streamen Sie dann Audio in beide Richtungen.
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.