Qwen Audio 3.1 TTS Next vs StepAudio 3 génération: scène radio unique

Réponse courte: D’après la même description écrite, Qwen Audio 3.1 TTS Next a interprété les trois répliques parlées et aucune indication scénique. StepAudio 3 Gen parle le texte de sa prompt tel qu’écrit, il lisait les instructions scéniques à voix haute et s’arrêtait à mi-chemin de la deuxième ligne. Étant donné la scène dans son propre format multi-haut-parleurs, StepAudio 3 Gen interprétait les deux premières lignes, renvoyait son fichier en environ 5 secondes contre environ une minute, et coûtait bien moins de la moitié du prix. Les deux tournent sur EmpirioLabs. Écoutez chaque extrait ci-dessous; nous ne déclarons pas de gagnant.

La scène

Un studio de radio nocturne, avec du jazz doux en fond. Un animateur chaleureux dit: « Bonsoir, et bienvenue à nouveau chez Night Owls. Notre premier appelant est en ligne. » Un téléphone sonne une fois. Une appelante joviale dit: « Bonjour ! J’écoute depuis des années, et j’ai enfin réussi à joindre ! » L’animateur rit et dit: « Eh bien, nous sommes contents que vous l’ayez fait. »

Écoutez les résultats

Résultats en un aperçu

Comment nous l’avons géré

Chaque modèle a reçu la même scène écrite, un plan chacun, via l’API EmpirioLabs le 18 octobre 2026, avec tous les autres réglages par défaut. Qwen Audio 3.1 TTS Next a pris la scène comme suit Entrée, et StepAudio 3 Gen l’a pris comme prompt. StepAudio 3 Gen documente son propre format pour les scènes multi-haut-parleurs, donc nous avons aussi envoyé la même scène de cette façon: le réglage Enseignement, les deux locuteurs dans Rôles, les trois droites dans Scripts, le téléphone sonne entre crochets et le rire entre parenthèses. Nous avons vérifié quelles lignes chaque clip prononce en le transcrivant avec deux modèles de reconnaissance vocale, qui étaient d’accord. Les prix correspondent à ce que coûtent exactement ces demandes aux tarifs actuels. Les temps s’étendent de l’envoi de la requête au fichier final; StepAudio 3 Gen répond avec un travail, chronométré de la création à l’achèvement.

À quoi écouter

Indications scéniques. Qwen Audio 3.1 TTS Next transforme la description en scène elle-même. StepAudio 3 Gen récite le texte qui lui est donné, donc le cadre appartient à Enseignement et les indices sonores entre crochets.

La chambre. Écoutez le jazz sous les voix, la sonnerie du téléphone entre les lignes, le rire de l’animateur, et la façon dont chaque extrait les équilibre avec le discours.

Rapidité et prix. StepAudio 3 Gen a rendu ses clips en quelques secondes à bien moins de la moitié du prix. Qwen Audio 3.1 TTS Next a pris environ une minute et facture l’audio qu’il génère, donc une scène plus longue coûte plus cher.

Fais le même test sur EmpirioLabs

curl https://api.empiriolabs.ai/v1/audio/speech \ -H « Autorisation: Porteur $EMPIRIOLABS_API_KEY » \ -h « Type de contenu: application/json » \ -d '{ « modèle »: « qwen-audio-3-1-tts-next », « input »: « Un studio de radio nocturne, avec du jazz doux en fond. Un animateur chaleureux dit: « Bonsoir, et bienvenue à nouveau chez Night Owls. Notre premier appelant est en ligne. » Un téléphone sonne une fois. Une appelante joyeuse dit: « Salut ! J’écoute depuis des années, et j’ai enfin réussi à joindre ! » L’animateur rit et dit: « Eh bien, nous sommes contents que vous l’ayez fait. »

StepAudio 3 Gen, en rôles et scripts:

curl https://api.empiriolabs.ai/v1/audio/generations \ -H « Autorisation: Porteur $EMPIRIOLABS_API_KEY » \ -h « Type de contenu: application/json » \ -d '{ « mannequin »: « stepaudio-3-gen », « instruction »: « Un studio de radio nocturne, avec du jazz doux en fond. », « rôles »: [ {"nom »: « Animateur », « description »: « Un animateur radio masculin chaleureux"}, {"nom »: « Appelant », « description »: « Une appelante joyeuse"} ], « scripts »: [ {"haut-parleur »: « Animateur », « texto »: « Bonsoir, et bienvenue à Night Owls. Notre premier appelant est en ligne."}, {"haut-parleur »: « Appelant », « texto »: « [Un téléphone sonne une fois] Salut ! J’écoute depuis des années, et j’ai enfin réussi à joindre !"}, {"speaker »: « Host », « text »: « (rire) Eh bien, on est contents que tu l’aies fait."} ] }'

StepAudio 3 Gen répond avec un travail; lisez l’extrait final de ALLEZ-/v1/jobs/{job_id}. Essayez les deux dans le aire de jeux.

Questions fréquemment posées

Les extraits ont-ils été recoupés ou réessayés ?

Non. Chaque clip est le premier audio dont sa demande a été renvoyée, sans modification. Le second clip StepAudio 3 Gen est une demande différente, la même scène dans le format documenté du modèle, et non une réinterprétation du premier.

Pourquoi StepAudio 3 Gen a-t-il lu cette description à voix haute ?

StepAudio 3 Gen prononce le texte de prompt tel qu’écrit. Le texte entre crochets ou parenthèses est pris comme un signal sonore ou une direction de livraison au lieu d’être lu, donc la sonnerie du téléphone et le rire dans la deuxième demande n’ont pas été prononcés. Mettez le décor et la musique Enseignement.

Lequel devrais-je utiliser ?

Qwen Audio 3.1 TTS Next prend une scène écrite en langage simple et peut cloner jusqu’à trois voix à partir de clips de référence. StepAudio 3 Gen est plus rapide et coûte moins cher lorsque les répliques et les indices sont écrits dans son format. Écoutez les extraits avec votre propre scène.

Essaie

Terrain de jeu - Oui Comment utiliser l’API Qwen Audio 3.1 TTS Next - Oui Tous les modèles - Oui Prix

Divulgation: Cet article a été rédigé avec l'aide d'AI et examiné par EmpirioLabs AI.