Qwen Audio 3.1 TTS vs StepAudio 3 TTS

Qwen Audio 3.1 TTS vs StepAudio 3 TTS de un vistazo

Qwen Audio 3.1 TTS de Alibaba Cloud y StepAudio 3 TTS de StepFun pertenecen a la categoría Generación de audio y están disponibles a través de la API de EmpirioLabs.

Diferencias clave

• Qwen Audio 3.1 TTS es el lanzamiento más reciente (23 sept 2026); StepAudio 3 TTS se lanzó el 9 sept 2026.
• Capacidades indicadas solo para Qwen Audio 3.1 TTS: expressive prosody, emotion control, voice tags, low latency, streaming, realtime.
• Capacidades indicadas solo para StepAudio 3 TTS: contextual tts, voice control.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: especificaciones

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: precios de la API

Tarifas en vivo del catálogo de EmpirioLabs para ambos modelos. Cada tabla de tarifas siempre coincide con lo que cobra la API.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: parámetros de 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.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: límites y notas

Qwen Audio 3.1 TTS

Voces

• 19 voces: 15 voces en inglés y 4 voces multilingües. Emily, Luna, Eric y Luca tienen acento británico. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian y David tienen acento americano. Las voces multilingües longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 y xunanchuan_v3.1 leen chino, inglés y otros idiomas.
• Cada identificación de voz termina en _v3.1, por ejemplo Emily_v3.1.

Voces personalizadas

• Configura voice para custom y pasa voice_audio_url, una URL https a 10 a 20 segundos de voz clara de un altavoz.
• Se aceptan WAV, MP3, M4A, OGG, WEBM y FLAC, hasta 15 MB. Graba en una habitación tranquila, sin música ni otras voces.
• La respuesta incluye voice_id y voice_id_expires_at. Pasa el voice_id como voice reutilizar la voz durante 7 días, en POST /v1/audio/speech, POST /v1/audio/speech:stream o el socket en tiempo real, donde session.update toma los mismos campos y session.updated devuelve el voice_id. Solo la cuenta que la creó puede usarlo.
• Cada cuenta puede almacenar 10 voces personalizadas en este modelo a la vez.
• GET /v1/voices?model=qwen-audio-3-1-tts lista las voces del modelo, incluyendo tus voces personalizadas con sus ids. Añade type=custom solo para listar voces personalizadas.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts elimina una voz personalizada, que libera su lugar de inmediato.
• En el Playground, pon Voz en Personalizado para usar una voz guardada de nuevo, copia su id o elimínala.
• Crear, listar y eliminar voces personalizadas no cobra nada.

Dirección de entrega

• instruction establece emoción, tono, carácter, ritmo y estilo de habla en lenguaje natural, hasta 1.000 caracteres.
• Las etiquetas en línea dentro del texto cambian la entrega desde ese punto, por ejemplo [excited] o [whispers], o añaden un sonido puntual como [laughing] o [sighing]. La lista completa de etiquetas está en el parámetro input.
• No se soporta entrada SSML.

Límites de entrada

• Hasta 10.000 caracteres por petición.
• language_hints sesga la pronunciación en textos de lengua mixta.

Producto

• MP3, WAV, PCM o Opus a 8.000 a 48.000 Hz.
• POST /v1/audio/speech:stream envía fragmentos de audio mientras se genera el habla.

Tiempo real

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts toma texto mientras aún se está escribiendo y devuelve el audio a medida que se genera. Envía input_text_buffer.append eventos, luego input_text_buffer.commit o session.finish para terminar la sesión.
• El audio llega en response.audio.delta eventos: PCM de 16 bits a 24.000 Hz por defecto, o MP3 u Opus. Configura la voz, la instrucción, el formato y otras opciones con session.update; se aplica un cambio a partir del siguiente segmento.
• El texto se pronuncia en segmentos que terminan en los límites de las frases, y cada segmento termina con un evento response.done que acompaña su uso.

Facturación

• Los tokens de entrada son el texto, y los tokens de salida son el audio generado a 12,5 tokens por segundo.
• La velocidad y el tono cambian la duración del audio renderizado, pero no los tokens facturados. Una instrucción que ralentiza la entrega añade tokens de salida.

StepAudio 3 TTS

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.

Cómo llamar a Qwen Audio 3.1 TTS y StepAudio 3 TTS

Qwen Audio 3.1 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 qwen-audio-3-1-tts. Ambos modelos se llaman a través del mismo endpoint. Establece model en qwen-audio-3-1-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": "qwen-audio-3-1-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: pruebas y guías

Pruebas de prompts y comparativas que cubren ambos modelos.

Guías Qwen Audio 3.1 TTS Plus vs Qwen Audio 3.1 TTS vs Gemini 2.5 Pro TTS vs StepAudio 3 TTS: una narración Dimos a Qwen Audio 3.1 TTS Plus, Qwen Audio 3.1 TTS, Gemini 2.5 Pro TTS y StepAudio 3 TTS la misma narración y dirección,... Guías Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: un solo script Dimos a Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS y StepAudio 3 TTS el mismo guion y dirección de...

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: preguntas frecuentes

¿Cuál es la diferencia entre Qwen Audio 3.1 TTS y StepAudio 3 TTS?

Qwen Audio 3.1 TTS es el lanzamiento más reciente (23 sept 2026); StepAudio 3 TTS se lanzó el 9 sept 2026. Capacidades indicadas solo para Qwen Audio 3.1 TTS: expressive prosody, emotion control, voice tags, low latency, streaming, realtime. Capacidades indicadas solo para StepAudio 3 TTS: contextual tts, voice control. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.

¿Cuál es más reciente, Qwen Audio 3.1 TTS o StepAudio 3 TTS?

Qwen Audio 3.1 TTS es el lanzamiento más reciente (23 sept 2026); StepAudio 3 TTS se lanzó el 9 sept 2026.

¿Cuál tiene la tarifa más baja, Qwen Audio 3.1 TTS o StepAudio 3 TTS?

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.

¿Puedo cambiar entre Qwen Audio 3.1 TTS y StepAudio 3 TTS sin reconstruir mi integración?

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.