StepAudio 3 Realtime vs StepAudio 2.5 Realtime

StepAudio 3 Realtime vs StepAudio 2.5 Realtime de un vistazo

StepAudio 3 Realtime y StepAudio 2.5 Realtime son modelos de StepFun en la categoría Generación de audio, disponibles a través de la API de EmpirioLabs.

Diferencias clave

• StepAudio 3 Realtime es el lanzamiento más reciente (6 ago 2026); StepAudio 2.5 Realtime se lanzó el 16 jul 2026.
• Ambos modelos tienen una ventana de contexto de 256K tokens.

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: especificaciones

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: 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.

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: 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.

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: límites y notas

StepAudio 3 Realtime

Voz dúplex completo a través de un WebSocket en wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime, autenticada con el encabezado Authorization Bearer ordinario. El audio es pcm16 de entrada y salida. El modelo escucha mientras habla, por lo que puede interrumpirse a mitad de respuesta, y la detección de actividad de voz en el lado del servidor decide cuándo contestar. Establece voz con session.update antes del primer audio; no puede cambiarse una vez que el modelo ha hablado, y solo se aceptan las siete voces listadas. La conversación es solo en chino e inglés. Una sesión se factura por su duración, desde que se abre hasta que cierra, en segundos enteros, contando un segundo parcial como segundo completo. Este modelo está en vista previa y sus capacidades pueden cambiar.

StepAudio 2.5 Realtime

Voz dúplex completo a través de un WebSocket en wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-2-5-realtime, autenticada con el encabezado ordinario Authorization Bearer. El audio es pcm16 de entrada y salida. El modelo escucha mientras habla, por lo que puede ser interrumpido a mitad de respuesta, y la detección de actividad de voz en el servidor decide cuándo contestar. Establece voz con session.update antes del primer audio; no puede cambiarse una vez que el modelo ha hablado, y solo se aceptan las siete voces listadas. La conversación es solo en chino e inglés. Cada turno completado se factura por sí solo según el uso que el modelo reporte.

Cómo llamar a StepAudio 3 Realtime y StepAudio 2.5 Realtime

StepAudio 3 Realtime mantiene una conversación en vivo a través de un WebSocket en wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime, no a través de los endpoints HTTP. Conéctate con el id de modelo stepaudio-3-realtime y envía tu clave de API de EmpirioLabs como cabecera Authorization: Bearer en el handshake. El audio viaja en ambos sentidos como PCM de 16 bits en base64. Un navegador no puede establecer cabeceras en un WebSocket, así que abre esta conexión desde tu servidor y retransmite el audio al navegador por tu propio socket. Ambos modelos se llaman a través del mismo endpoint. Establece model en stepaudio-3-realtime o stepaudio-2-5-realtime. Consigue una clave de API en el panel de EmpirioLabs.

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())

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: preguntas frecuentes

¿Cuál es la diferencia entre StepAudio 3 Realtime y StepAudio 2.5 Realtime?

StepAudio 3 Realtime es el lanzamiento más reciente (6 ago 2026); StepAudio 2.5 Realtime se lanzó el 16 jul 2026. Ambos modelos tienen una ventana de contexto de 256K tokens. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.

¿Cuál es más reciente, StepAudio 3 Realtime o StepAudio 2.5 Realtime?

StepAudio 3 Realtime es el lanzamiento más reciente (6 ago 2026); StepAudio 2.5 Realtime se lanzó el 16 jul 2026.

¿Cuál tiene la tarifa más baja, StepAudio 3 Realtime o StepAudio 2.5 Realtime?

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 StepAudio 3 Realtime y StepAudio 2.5 Realtime sin reconstruir mi integración?

Sí. Ambos modelos usan WEBSOCKET /v1/realtime 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.

¿Puedo probar StepAudio 3 Realtime y StepAudio 2.5 Realtime en el navegador antes de integrar?

Sí. Abre cada modelo en el playground de EmpirioLabs y pulsa Start session para probarlo en tu navegador.