Qwen Audio 3.1 TTS vs StepAudio 3 TTS

Qwen Audio 3.1 TTS vs StepAudio 3 TTS en un coup d'œil

Qwen Audio 3.1 TTS de Alibaba Cloud et StepAudio 3 TTS de StepFun appartiennent tous deux à la catégorie Production audio et sont disponibles via l'API EmpirioLabs.

Différences clés

• Qwen Audio 3.1 TTS est la version la plus récente (23 sept. 2026) ; StepAudio 3 TTS est sorti le 9 sept. 2026.
• Capacités indiquées uniquement pour Qwen Audio 3.1 TTS : expressive prosody, emotion control, voice tags, low latency, streaming, realtime.
• Capacités indiquées uniquement pour StepAudio 3 TTS : contextual tts, voice control.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS : caractéristiques

Qwen Audio 3.1 TTS vs StepAudio 3 TTS : tarifs de l'API

Tarifs en direct du catalogue EmpirioLabs pour les deux modèles. Chaque grille tarifaire correspond toujours à ce que l'API facture.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS : paramètres de l'API

Paramètres de requête indiqués pour chaque modèle sur EmpirioLabs, avec les valeurs autorisées ou la plage le cas échéant. Un tiret signale un paramètre que le modèle n'indique pas.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS : limites et notes

Qwen Audio 3.1 TTS

Voix

• 19 voix: 15 voix anglaises et 4 voix multilingues. Emily, Luna, Eric et Luca ont des accents britanniques. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian et David ont des accents américains. Les voix multilingues longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 et xunanchuan_v3.1 lisent le chinois, l’anglais et d’autres langues.
• Chaque identification vocale se termine par _v3.1, par exemple Emily_v3.1.

Voix personnalisées

• Réglez voice sur custom et passez voice_audio_url, une URL https à 10 à 20 secondes de parole claire d’un haut-parleur.
• WAV, MP3, M4A, OGG, WEBM et FLAC sont acceptés, jusqu’à 15 Mo. Enregistrez dans une pièce calme, sans musique ni autres voix.
• La réponse inclut voice_id et voice_id_expires_at. Passez le voice_id comme voice de réutiliser la voix pendant 7 jours, sur POST /v1/audio/speech, POST /v1/audio/speech:stream ou le socket en temps réel, où session.update prend les mêmes champs et session.updated retourne le voice_id. Seul le compte qui l’a créé peut l’utiliser.
• Chaque compte peut contenir 10 voix personnalisées sur ce modèle à la fois.
• GET /v1/voices?model=qwen-audio-3-1-tts liste les voix du modèle, y compris vos voix personnalisées avec leurs identifiants. Ajoutez type=custom pour lister uniquement les voix personnalisées.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts supprime une voix personnalisée, ce qui libère sa place immédiatement.
• Dans le Playground, mettez Voix sur Personnalisé pour réutiliser une voix enregistrée, copiez son identifiant ou supprimez-la.
• Créer, lister et supprimer des voix personnalisées n’a aucun frais.

Direction de la livraison

• instruction définit l’émotion, le ton, le caractère, le rythme et le style de parole dans un langage naturel, jusqu’à 1 000 caractères.
• Les balises en ligne à l’intérieur du texte modifient la diffusion à partir de ce point, par exemple [excited] ou [whispers], ou ajoutent un son ponctuel comme [laughing] ou [sighing]. La liste complète des balises se trouve sur le paramètre input.
• L’entrée SSML n’est pas prise en charge.

Limites d’entrée

• Jusqu’à 10 000 caractères par demande.
• language_hints biaise la prononciation des textes en langue mixte.

Produit

• MP3, WAV, PCM ou Opus entre 8 000 et 48 000 Hz.
• POST /v1/audio/speech:stream envoie des extraits audio pendant que la voix est générée.

Temps réel

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts prend du texte pendant qu’il est encore en cours d’écriture et renvoie l’audio au fur et à mesure qu’il est généré. Envoyez input_text_buffer.append événements, puis input_text_buffer.commit, ou session.finish pour terminer la session.
• L’audio arrive en response.audio.delta événements: PCM 16 bits à 24 000 Hz par défaut, ou MP3 ou Opus. Définissez la voix, l’instruction, le format et les autres options avec session.update; un changement s’applique à partir du segment suivant.
• Le texte est prononcé en segments qui se terminent aux limites des phrases, et chaque segment se termine par un événement response.done portant son usage.

Facturation

• Les jetons d’entrée sont le texte, et les jetons de sortie sont l’audio généré à 12,5 jetons par seconde.
• La vitesse et la hauteur changent la longueur de l’audio rendu mais pas celle des jetons facturés. Une instruction qui ralentit la livraison ajoute des jetons de sortie.

StepAudio 3 TTS

L’entrée maximale est de 1 000 caractères. Le contenu entre parenthèses est traité comme une direction de diffusion et n’est pas prononcé. Utilisez instruction pour l’émotion globale ou la guidance de style, jusqu’à 500 caractères. Douze voix système sont disponibles. Les langues reconnues sont le chinois, l’anglais, le japonais, le coréen, le français et l’espagnol, avec d’autres langues que le chinois et l’anglais en aperçu. Les formats de sortie sont mp3, wav, flac, opus et pcm à 8000, 16000, 22050 ou 24000 Hz. Wav est retourné sous forme de fichier complet plutôt que diffusé en streaming. Ce modèle ne prend pas en charge voice_label.

Comment appeler Qwen Audio 3.1 TTS et StepAudio 3 TTS

Qwen Audio 3.1 TTS génère la voix via POST /v1/audio/speech et renvoie de l'audio lisible. Envoyez le texte à prononcer dans input avec l'id de modèle qwen-audio-3-1-tts. Les deux modèles s'appellent via le même endpoint. Définissez model sur qwen-audio-3-1-tts ou stepaudio-3-tts. Obtenez une clé API depuis le tableau de bord 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 : tests et guides

Tests de prompts et comparaisons qui couvrent les deux modèles.

Guides Qwen Audio 3.1 TTS Plus vs Qwen Audio 3.1 TTS vs Gemini 2.5 Pro TTS vs StepAudio 3 TTS: une narration Nous avons donné à Qwen Audio 3.1 TTS Plus, Qwen Audio 3.1 TTS, Gemini 2.5 Pro TTS et StepAudio 3 TTS la même narration... Guides Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: un seul script Nous avons donné à Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS et StepAudio 3 TTS le même script et la...

Qwen Audio 3.1 TTS vs StepAudio 3 TTS : questions fréquentes

Quelle est la différence entre Qwen Audio 3.1 TTS et StepAudio 3 TTS ?

Qwen Audio 3.1 TTS est la version la plus récente (23 sept. 2026) ; StepAudio 3 TTS est sorti le 9 sept. 2026. Capacités indiquées uniquement pour Qwen Audio 3.1 TTS : expressive prosody, emotion control, voice tags, low latency, streaming, realtime. Capacités indiquées uniquement pour StepAudio 3 TTS : contextual tts, voice control. Les caractéristiques, les grilles tarifaires et les paramètres de cette page proviennent du catalogue EmpirioLabs en direct.

Lequel est le plus récent, Qwen Audio 3.1 TTS ou StepAudio 3 TTS ?

Qwen Audio 3.1 TTS est la version la plus récente (23 sept. 2026) ; StepAudio 3 TTS est sorti le 9 sept. 2026.

Lequel a le tarif le plus bas, Qwen Audio 3.1 TTS ou StepAudio 3 TTS ?

Les deux modèles sont tarifés sur des unités ou des paliers différents : comparez les grilles tarifaires en direct de cette page. Elles correspondent toujours à ce que l'API facture.

Puis-je passer de Qwen Audio 3.1 TTS à StepAudio 3 TTS sans reconstruire mon intégration ?

Oui. Les deux modèles utilisent POST /v1/audio/speech avec la même clé API EmpirioLabs : la plupart des intégrations basculent en changeant la valeur model. Vérifiez d'abord le tableau des paramètres de cette page si vous dépendez d'un paramètre propre à un modèle.