StepAudio 3 Realtime API

Voz que entra, voz sale, por un socket. Interruptible a mitad de respuesta, con detección de actividad vocal que decide cuándo contestar.

StepFun Generación de audio 256K contexto Lanzado 6 ago 2026 International Endpoint propietario

Acerca de StepAudio 3 Realtime

Voz que entra, voz sale, por un socket. Interruptible a mitad de respuesta, con detección de actividad vocal que decide cuándo contestar.

La sesión se configura con eventos session.update sobre el socket en lugar de parámetros de solicitud.

También conocido como StepFun StepAudio 3 Realtime

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

Especificaciones de StepAudio 3 Realtime

ID del modelo
stepaudio-3-realtime
Autor
StepFun
Categoría
Generación de audio
Lanzado
6 ago 2026
Ventana de contexto
256K tokens
Salida máxima
131.072 tokens
Entrada
AudioTexto
Salida
AudioTexto
Región
International
Endpoints
WEBSOCKET/v1/realtime
IDs de modelo alternativos
stepaudio-3-realtime-previewstepfun/stepaudio-3-realtime

Precios de la API de StepAudio 3 Realtime

Tarifas de pago por uso en vivo del catálogo de EmpirioLabs. También puedes elegir un plan con asignaciones semanales.

Tipo
Especificación
Tarifa
Sesión
por minuto
$0.125
Comparar en la página completa de precios

Cómo llamar a la API de StepAudio 3 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. Consigue una clave de API en el panel de EmpirioLabs.

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())
Referencia completa de la API de StepAudio 3 Realtime

Parámetros de la API de StepAudio 3 Realtime

Parámetros de solicitud compatibles con la API de StepAudio 3 Realtime en EmpirioLabs. Los valores por defecto se aplican cuando se omite un campo.

ParámetroTipoPredeterminadoRango / valoresDescripción
voiceenumsoft-spoken-gentlemansoft-spoken-gentleman, magnetic-voiced-male, vibrant-youth, l...Voz de sesión, configurada con session.update antes de que el modelo produzca audio. No puede cambiarse una vez que el modelo ha hablado y cualquier otro valor es...
instructionsstring--Instrucciones del sistema para la sesión: personalidad, estilo de habla y límites.
modalitiesstring["text","audio"]-Modalidades de respuesta para la sesión.
volume_rationumber10.1 a 2Volumen de la respuesta hablada, en relación con el valor predeterminado. El rango aceptado es de 0,1 a 2,0.
input_audio_formatenumpcm16pcm16Codificación del audio que envías. PCM de 16 bits.
output_audio_formatenumpcm16pcm16Codificación del audio que el modelo devuelve. PCM de 16 bits.
turn_detectionstring{"type":"server_vad"}-Detección de actividad de voz en el servidor. Decide cuándo has dejado de hablar y el modelo debe responder. Sin él, el modelo escucha pero nunca responde, así que...

Información útil

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.

API de StepAudio 3 Realtime: preguntas frecuentes

¿Cuánto cuesta la API de StepAudio 3 Realtime?

En EmpirioLabs, StepAudio 3 Realtime se factura por uso: Sesión $0.125 por minuto. También puedes elegir un plan con asignaciones semanales. La tabla de tarifas en vivo de esta página siempre coincide con lo que cobra la API.

¿Qué entradas y salidas admite StepAudio 3 Realtime?

StepAudio 3 Realtime recibe Audio, Texto como entrada y devuelve Audio, Texto.

¿Cuál es la ventana de contexto de StepAudio 3 Realtime?

StepAudio 3 Realtime admite una ventana de contexto de 256K tokens con hasta 131.072 tokens de salida por respuesta.

¿Qué endpoint usa StepAudio 3 Realtime?

StepAudio 3 Realtime se sirve a través de WEBSOCKET /v1/realtime en api.empiriolabs.ai con autenticación estándar de token Bearer.

¿Cuál es el ID de modelo de StepAudio 3 Realtime?

Envía stepaudio-3-realtime como modelo en tu solicitud. Los ID alternativos stepaudio-3-realtime-preview, stepfun/stepaudio-3-realtime también funcionan.

¿Cuándo se lanzó StepAudio 3 Realtime?

StepFun lanzó StepAudio 3 Realtime el 6 ago 2026.

¿Desde dónde se sirve StepAudio 3 Realtime?

StepAudio 3 Realtime en EmpirioLabs se sirve desde International.

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

Abre el playground de EmpirioLabs y pulsa Start session para probarlo en tu navegador. StepAudio 3 Realtime funciona sobre un WebSocket en lugar de una petición y una respuesta, así que para integrarlo empieza por la guía rápida de voz en tiempo real. Conéctate desde tu servidor con tu clave de API de EmpirioLabs y el id de modelo stepaudio-3-realtime, y luego transmite audio en ambos sentidos.

¿Cómo consigo una clave de API de StepAudio 3 Realtime?

Crea una cuenta de EmpirioLabs y genera una clave en API Keys en el panel. La facturación es con créditos de pago por uso, así que solo pagas por las solicitudes que haces. También puedes elegir un plan con asignaciones semanales.

Compara StepAudio 3 Realtime con otros modelos

Todas las comparativas de modelos

¿Listo para usar mejores endpoints?

Consulta nuestros precios o contacta con nosotros si quieres que tu propio modelo se implemente en nuestra pila.