Tipo
Especificación
Tarifa
Entrada
por 1M de tokens de prompt
$2.60
Salida
por 1M de tokens generados
$46.80
Gemini 3.8 Flash TTS y StepAudio 3 TTS lado a lado: especificaciones, capacidades, parámetros y precios en vivo del catálogo de EmpirioLabs.
Google 
StepFun Generación de audioGemini 3.8 Flash TTS de Google y StepAudio 3 TTS de StepFun pertenecen a la categoría Generación de audio y están disponibles a través de la API de EmpirioLabs.
| Especificación | Gemini 3.8 Flash TTS | StepAudio 3 TTS |
|---|---|---|
| ID del modelo | gemini-3-8-flash-tts | stepaudio-3-tts |
| Autor | StepFun | |
| Lanzado | 22 sept 2026 | 9 sept 2026 |
| Entrada | Texto | Texto |
| Salida | Audio | Audio |
| Región | - | International |
| Endpoints | POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices | POST /v1/audio/speech POST /v1/audio/speech:stream |
| Capacidades |
Tarifas en vivo del catálogo de EmpirioLabs para ambos modelos. Cada tabla de tarifas siempre coincide con lo que cobra la API.
Parámetros de solicitud que cada modelo indica en EmpirioLabs, con los valores permitidos o el rango cuando corresponde. Un guion marca un parámetro que el modelo no indica.
| Parámetro | Gemini 3.8 Flash TTS | StepAudio 3 TTS |
|---|---|---|
| input | máx. 5000 | máx. 1000 |
| mode | single, multi Predeterminado: single | - |
| language | string | en, zh, ja, ko, fr, es Predeterminado: en |
| voice | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... Predeterminado: Charon | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... Predeterminado: lively-girl |
| voice_audio_url | string | - |
| voice_consent_audio_url | string | - |
| voice2 | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... Predeterminado: Kore | - |
| speaker1_name | string Predeterminado: Speaker1 | - |
| speaker2_name | string Predeterminado: Speaker2 | - |
| output_format | WAV, MP3, OGG, ALAW, MULAW Predeterminado: WAV | - |
| speed | 0.25 a 2 Predeterminado: 1 | 0.5 a 2 Predeterminado: 1 |
| volume_gain | -96 a 16 Predeterminado: 0 | - |
| sample_rate | 8000, 16000, 22050, 24000, 44100, 48000 Predeterminado: 24000 | 8000, 16000, 22050, 24000 Predeterminado: 24000 |
| style_prompt | string | - |
| instruction | - | máx. 500 |
| volume | - | 0.1 a 2 Predeterminado: 1 |
<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>La entrada máxima es de 1.000 caracteres. El contenido entre paréntesis se trata como dirección de entrega y no se habla. Usa instrucción para la emoción global o guía de estilo, hasta 500 caracteres. Hay doce voces del sistema disponibles. Los idiomas reconocidos son chino, inglés, japonés, coreano, francés y español, con idiomas distintos al chino e inglés en previsualización. Los formatos de salida son mp3, wav, flac, opus y pcm a 8000, 16000, 22050 o 24000 Hz. Wav se devuelve como un archivo completo en lugar de en streaming. Este modelo no soporta voice_label.
Gemini 3.8 Flash TTS genera voz a través de POST /v1/audio/speech y devuelve audio reproducible. Envía el texto a pronunciar como input con el id de modelo gemini-3-8-flash-tts. Ambos modelos se llaman a través del mismo endpoint. Establece model en gemini-3-8-flash-tts o stepaudio-3-tts. Consigue una clave de API en el panel de EmpirioLabs.
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3-8-flash-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3Pruebas de prompts y comparativas que cubren ambos modelos.
Gemini 3.8 Flash TTS es el lanzamiento más reciente (22 sept 2026); StepAudio 3 TTS se lanzó el 9 sept 2026. Capacidades indicadas solo para Gemini 3.8 Flash TTS: multi speaker, voice tags, streaming, voice cloning. Capacidades indicadas solo para StepAudio 3 TTS: contextual tts. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.
Gemini 3.8 Flash TTS es el lanzamiento más reciente (22 sept 2026); StepAudio 3 TTS se lanzó el 9 sept 2026.
Los dos modelos se tarifican con unidades o niveles distintos, así que compara las tablas de tarifas en vivo de esta página. Siempre coinciden con lo que cobra la API.
Sí. Ambos modelos usan POST /v1/audio/speech con la misma clave de API de EmpirioLabs, así que la mayoría de las integraciones cambian con solo modificar el valor model. Revisa antes la tabla de parámetros de esta página si dependes de un parámetro específico de un modelo.
Sí. Abre cada modelo en el playground de EmpirioLabs y ejecuta el mismo prompt en ambos, con los parámetros que expone la API.
Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.
