Qwen Audio 3.1 TTS Next vs StepAudio 3 Gen: una escena de radio

Respuesta corta: A partir de la misma descripción escrita, Qwen Audio 3.1 TTS Next interpretó las tres líneas habladas y ninguna de las indicaciones escénicas. StepAudio 3 Gen habla el texto de su pronta tal como está escrito, leyó en voz alta las indicaciones escénicas y se detuvo a mitad de la segunda línea. Dado que la escena estaba en su propio formato multi-altavoz, StepAudio 3 Gen interpretó las dos primeras líneas, devolvió su archivo en unos 5 segundos contra un minuto y costó mucho menos de la mitad. Ambas funcionan en EmpirioLabs. Escucha cada clip a continuación; no estamos declarando un ganador.

La escena

Un estudio de radio nocturno, con jazz suave de fondo. Un presentador masculino cálido dice: "Buenas noches y bienvenidos de nuevo a Night Owls. Nuestro primer llamante está en la línea." Suena un teléfono una vez. Una llamante alegre dice: "¡Hola! ¡He estado escuchando durante años y por fin he conseguido comunicarme!" El presentador se ríe y dice: "Bueno, nos alegramos de que lo hayas hecho."

Escucha los resultados

Resultados en resumen

Cómo lo gestionamos

Cada modelo recibió la misma escena escrita, una toma cada uno, a través de la API EmpirioLabs el 18 de octubre de 2026, con todos los demás ajustes en su configuración predeterminada. Qwen Audio 3.1 TTS Next tomó la escena como Entrada, y StepAudio 3 Gen lo tomó como pronta. StepAudio 3 Gen documenta su propio formato para escenas con varios altavoces, así que también enviamos la misma escena de esa manera: el escenario en Instrucción, los dos altavoces en Roles, las tres líneas de Guiones, el teléfono suena entre corchetes y la risa entre paréntesis. Comprobamos qué líneas habla cada clip transcribiéndolo con dos modelos de reconocimiento de voz, que coincidieron. Los precios son lo que cuestan exactamente estas solicitudes a las tarifas actuales. Los tiempos van desde enviar la solicitud al archivo terminado; StepAudio 3 Gen responde con un trabajo, cronometrado desde la creación hasta la finalización.

Qué hay que escuchar

Indicaciones escénicas. Qwen Audio 3.1 TTS Next convierte la descripción en la propia escena. StepAudio 3 Gen pronuncia el texto que se le indica, así que el escenario pertenece a Instrucción y las señales sonoras entre corchetes.

La habitación. Escucha el jazz bajo las voces, el teléfono que suena entre líneas, la risa del presentador y cómo cada clip los equilibra con el discurso.

Velocidad y precio. StepAudio 3 Gen devolvió sus clips en segundos por menos de la mitad de precio. Qwen Audio 3.1 TTS Next tardó aproximadamente un minuto y factura el audio que genera, así que una escena larga cuesta más.

Haz la misma prueba en EmpirioLabs

curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorización: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Contenido: application/json" \ -d '{ "modelo": "qwen-audio-3-1-tts-next", "entrada": "Un estudio de radio nocturno, con jazz suave de fondo. Un cálido presentador masculino dice: "Buenas noches y bienvenidos de nuevo a Night Owls. Nuestro primer llamante está en línea." Suena un teléfono una vez. Una llamante alegre dice: "¡Hola! ¡He estado escuchando durante años y por fin he conseguido comunicarme!" El presentador se ríe y dice: "Bueno, nos alegramos de que lo hayas hecho.\"" }'

StepAudio 3 Gen, en roles y guiones:

curl https://api.empiriolabs.ai/v1/audio/generations \ -H "Autorización: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Contenido: application/json" \ -d '{{ "modelo": "stepaudio-3-gen", "instrucciones": "Un estudio de radio nocturno, con jazz suave de fondo.", "roles": [ {"nombre": "Presentador", "descripción": "Un presentador de radio masculino cálido"}, {"nombre": "Llamante", "descripción": "Una llamante femenina alegre"} ], "guiones": [ {"altavoz": "Presentadora", "mensaje": "Buenas noches y bienvenidos de nuevo a Night Owls. Nuestro primer locutor está en la línea."}, {"altavoz": "Llamante", "mensaje": "[Suena un teléfono] ¡Hola! He estado escuchando durante años y ¡por fin he conseguido comunicarme!"}, {"speaker": "Host", "text": "(ríe) Bueno, nos alegramos de que lo hayas hecho."} ] }'

StepAudio 3 Gen responde con un trabajo; lee el clip final de ¡QUE /v1/jobs/{job_id}. Prueba ambos en el parque infantil.

Preguntas frecuentes

¿Se editaron o volvieron a intentar los clips?

No. Cada clip es el primer audio que su solicitud devolvió, sin editar. El segundo clip de StepAudio 3 Gen es una petición diferente, la misma escena en el formato documentado del modelo, no un reintento del primero.

¿Por qué StepAudio 3 Gen leyó la descripción en voz alta?

StepAudio 3 Gen habla el texto de pronta tal y como está escrito. El texto entre corchetes o paréntesis se toma como una señal sonora o una dirección de entrega en lugar de leerse en voz alta, por lo que el teléfono suena y la risa en la segunda petición no se pronunciaron. Ponle el escenario y la música Instrucción.

¿Cuál debería usar?

Qwen Audio 3.1 TTS Next toma una escena escrita en lenguaje sencillo y puede clonar hasta tres voces de fragmentos de referencia. StepAudio 3 Gen es más rápido y cuesta menos cuando las líneas y señales están escritas en su formato. Escucha los clips con tu propia escena.

Pruébalo

Playground Silencio Cómo usar la API de Qwen Audio 3.1 TTS Next Silencio Todos los modelos Silencio Precios

Divulgación: Este artículo fue escrito con asistencia AI y revisado por EmpirioLabs AI.