StepAudio 3 Realtime API

Sprache ein, Sprache raus, über einen Sockel. Unterbrechungsbar mitten in der Antwort, wobei die Erkennung der Sprachaktivität entscheidet, wann geantwortet wird.

StepFun Audiogeneration 256K Kontext Veröffentlicht 6. Aug. 2026 International Proprietärer Endpoint

Über StepAudio 3 Realtime

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

realtime speech to speech audio in audio out function calling voice control

StepAudio 3 Realtime Spezifikationen

Modell-ID
stepaudio-3-realtime
Autor
StepFun
Kategorie
Audiogeneration
Veröffentlicht
6. Aug. 2026
Kontextfenster
256K Token
Max. Ausgabe
131.072 Token
Eingabe
AudioText
Ausgabe
AudioText
Region
International
Endpoints
WEBSOCKET/v1/realtime
Alternative Modell-IDs
stepaudio-3-realtime-previewstepfun/stepaudio-3-realtime

StepAudio 3 Realtime API-Preise

Live Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du kannst auch einen Plan mit wöchentlichen Kontingenten wählen.

Typ
Spezifikation
Preis
Sitzung
pro Minute
$0.125
Auf der vollständigen Preisseite vergleichen

So rufst du die StepAudio 3 Realtime API auf

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.

Python (websockets)
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())
Vollständige StepAudio 3 Realtime API-Referenz

StepAudio 3 Realtime API-Parameter

Request-Parameter, die die StepAudio 3 Realtime API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.

ParameterTypStandardBereich / WerteBeschreibung
voiceenumsoft-spoken-gentlemansoft-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...
instructionsstring--Systemanweisungen für die Sitzung: Persona, Sprechstil und Grenzen.
modalitiesstring["text","audio"]-Reaktionsmodalitäten für die Sitzung.
volume_rationumber10.1 bis 2Lautstärke der gesprochenen Antwort im Vergleich zum Standard. Akzeptierter Bereich liegt bei 0,1 bis 2,0.
input_audio_formatenumpcm16pcm16Codierung des gesendeten Audios. 16-Bit-PCM.
output_audio_formatenumpcm16pcm16Codierung des Audios, das das Modell zurückgibt. 16-Bit-PCM.
turn_detectionstring{"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...

Gut zu wissen

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.

StepAudio 3 Realtime API: häufige Fragen

Wie viel kostet die StepAudio 3 Realtime API?

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.

Welche Eingaben und Ausgaben unterstützt StepAudio 3 Realtime?

StepAudio 3 Realtime nimmt Audio, Text als Eingabe an und gibt Audio, Text aus.

Wie groß ist das Kontextfenster von StepAudio 3 Realtime?

StepAudio 3 Realtime unterstützt ein Kontextfenster von 256K Token mit bis zu 131.072 Ausgabe-Token pro Antwort.

Welchen Endpoint verwendet StepAudio 3 Realtime?

StepAudio 3 Realtime wird über WEBSOCKET /v1/realtime auf api.empiriolabs.ai mit normaler Bearer-Token-Authentifizierung bereitgestellt.

Wie lautet die Modell-ID von StepAudio 3 Realtime?

Sende stepaudio-3-realtime als Modell in deinem Request. Die alternativen IDs stepaudio-3-realtime-preview, stepfun/stepaudio-3-realtime funktionieren ebenfalls.

Wann wurde StepAudio 3 Realtime veröffentlicht?

StepFun hat StepAudio 3 Realtime am 6. Aug. 2026 veröffentlicht.

Von wo wird StepAudio 3 Realtime bereitgestellt?

StepAudio 3 Realtime auf EmpirioLabs wird aus International bereitgestellt.

Kann ich StepAudio 3 Realtime im Browser testen, bevor ich integriere?

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.

Wie bekomme ich einen StepAudio 3 Realtime API-Schlüssel?

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.

StepAudio 3 Realtime mit anderen Modellen vergleichen

Alle Modellvergleiche

Bereit, bessere Endpunkte zu nutzen?

Schauen Sie sich unsere Preise an oder kontaktieren Sie uns, wenn Sie Ihr eigenes Modell auf unserem Stack implementieren möchten.