संक्षिप्त उत्तर: उसी लिखित विवरण से, क्वेन ऑडियो 3.1 टीटीएस अगला सभी तीन बोली जाने वाली पंक्तियों का प्रदर्शन किया और कोई भी मंच निर्देश नहीं दिया। स्टेपऑडियो 3 जेन इसके पाठ को बोलता है शीघ्र जैसा कि लिखा गया है, इसलिए इसने मंच के निर्देशों को जोर से पढ़ा और दूसरी पंक्ति के माध्यम से आंशिक रूप से रुक गया। अपने स्वयं के मल्टी-स्पीकर प्रारूप में दृश्य को देखते हुए, स्टेपऑडियो 3 जेन ने पहली दो पंक्तियों का प्रदर्शन किया, लगभग एक मिनट के मुकाबले लगभग 5 सेकंड में अपनी फ़ाइल वापस कर दी, और इसकी लागत आधी से भी कम थी। दोनों EmpirioLabs पर चलते हैं। नीचे दी गई प्रत्येक क्लिप को सुनें; हम विजेता घोषित नहीं कर रहे हैं।
दृश्य
एक देर रात का रेडियो स्टूडियो, जिसकी पृष्ठभूमि में नरम जैज़ बज रहा है। एक गर्म पुरुष मेजबान कहता है: "शुभ संध्या, और नाइट उल्लू में आपका स्वागत है। हमारा पहला कॉलर लाइन पर है। एक बार फोन की घंटी बजती है। एक हंसमुख महिला कॉलर कहती है: "हाय! मैं वर्षों से सुन रही हूं, और आखिरकार मैं मिल गया!" मेजबान हंसता है और कहता है: "ठीक है, हमें खुशी है कि आपने किया।
परिणाम सुनें
परिणाम एक नज़र में
| क्वेन ऑडियो 3.1 टीटीएस अगला | StepAudio 3 Gen, जैसा लिखा है | स्टेपऑडियो 3 जेन, भूमिकाएं और स्क्रिप्ट | |
|---|---|---|---|
| निर्माता | अलीबाबा | स्टेपफन | स्टेपफन |
| समापन बिंदु | पोस्ट /v1/audio/speech | पोस्ट /v1/audio/generations | पोस्ट /v1/audio/generations |
| बोली गई पंक्तियाँ, 3 की | 3 | 1, फिर दूसरे का हिस्सा, मंच के निर्देशों के साथ जोर से पढ़ा जाता है | 2 |
| इस अनुरोध की कीमत | $0.0130 | $0.0051 | $0.0049 |
| ऑडियो लंबाई | 18.0 सेकंड | 18.9 सेकंड | 15.9 सेकंड |
| तैयार फ़ाइल का समय | 63 सेकंड | लगभग 6 सेकंड | लगभग 5 सेकंड |
| बिलिंग इकाई | टोकन: में विवरण, ऑडियो के प्रति सेकंड लगभग 200 टोकन | पात्र | पात्र |
| संदर्भ क्लिप से आवाज़ें | 3 तक | उपलब्ध नहीं है | उपलब्ध नहीं है |
हमने इसे कैसे चलाया
प्रत्येक मॉडल को 18 अक्टूबर, 2026 को EmpirioLabs एपीआई के माध्यम से एक ही लिखित दृश्य, एक-एक शॉट प्राप्त हुआ, जिसमें हर दूसरी सेटिंग डिफ़ॉल्ट रूप से थी। क्वेन ऑडियो 3.1 टीटीएस नेक्स्ट ने दृश्य को इस प्रकार लिया इनपुट, और StepAudio 3 Gen ने इसे इस रूप में लिया शीघ्र. StepAudio 3 Gen मल्टी-स्पीकर दृश्यों के लिए अपने स्वयं के प्रारूप का दस्तावेजीकरण करता है, इसलिए हमने उसी दृश्य को इस तरह से भी भेजा: सेटिंग में शिक्षण-प्रशिक्षण, दो वक्ताओं में भूमिकाएं, में तीन पंक्तियाँ लिपियों, चौकोर कोष्ठक में फोन की घंटी बजती है और कोष्ठक में हंसी आती है। हमने जाँच की कि प्रत्येक क्लिप कौन सी पंक्तियाँ बोलती है, इसे दो वाक् पहचान मॉडल के साथ ट्रांसक्रिप्ट करके, जो सहमत हुए। कीमतें वही हैं जो इन सटीक अनुरोधों की वर्तमान दरों पर खर्च होती हैं। समय अनुरोध को तैयार फ़ाइल में भेजने से चलता है; StepAudio 3 Gen एक नौकरी के साथ जवाब देता है, जो निर्माण से लेकर पूरा होने तक का समय है।
क्या सुनना है
मंच निर्देश। क्वेन ऑडियो 3.1 टीटीएस अगला विवरण को दृश्य में ही बदल देता है। StepAudio 3 Gen वह पाठ बोलता है जो इसे दिया गया है, इसलिए सेटिंग शिक्षण-प्रशिक्षण और चौकोर कोष्ठक में ध्वनि संकेत।
कमरा। आवाज़ों के नीचे जैज़, लाइनों के बीच फोन की बजने वाली घंटी और मेजबान की हंसी को सुनें, और प्रत्येक क्लिप उन्हें भाषण के खिलाफ कैसे संतुलित करती है।
गति और कीमत। StepAudio 3 Gen ने अपनी क्लिप को सेकंडों में आधी कीमत से भी कम कीमत पर लौटा दिया। क्वेन ऑडियो 3.1 टीटीएस नेक्स्ट में लगभग एक मिनट का समय लगा और इसके द्वारा उत्पन्न ऑडियो को बिल कर दिया, इसलिए एक लंबे दृश्य की लागत अधिक होती है।
EmpirioLabs पर एक ही परीक्षण चलाएं
कर्ल https://api.empiriolabs.ai/v1/audio/speech \ -एच "प्राधिकरण: वाहक $EMPIRIOLABS_एपीआई_की" \ -एच "सामग्री-प्रकार: application/json" \ -डी '{ "मॉडल": "qwen-audio-3-1-tts-next", "इनपुट": "एक देर रात का रेडियो स्टूडियो, पृष्ठभूमि में नरम जैज़ बजने के साथ। एक गर्म पुरुष मेजबान कहता है: \"शुभ संध्या, और नाइट उल्लू में आपका स्वागत है। हमारा पहला कॉलर लाइन पर है। \" एक बार फोन बजता है। एक हंसमुख महिला कॉलर कहती है: \"हाय! मैं वर्षों से सुन रहा हूं, और आखिरकार मैं मिल गया!\" मेजबान हंसता है और कहता है: \"ठीक है, हमें खुशी है कि आपने किया।StepAudio 3 Gen, भूमिकाओं और स्क्रिप्ट में:
कर्ल https://api.empiriolabs.ai/v1/audio/generations \ -एच "प्राधिकरण: वाहक $EMPIRIOLABS_एपीआई_की" \ -एच "सामग्री-प्रकार: application/json" \ -d '{ "मॉडल": "stepaudio-3-gen", "निर्देश": "एक देर रात का रेडियो स्टूडियो, पृष्ठभूमि में नरम जैज़ बजने के साथ। ", "भूमिकाएं": [ {"नाम": "होस्ट", "विवरण": "एक गर्म पुरुष रेडियो होस्ट"}, {"नाम": "कॉलर", "विवरण": "एक हंसमुख महिला कॉलर"} ], "स्क्रिप्ट": [ {"स्पीकर": "होस्ट", "टेक्स्ट": "शुभ संध्या, और नाइट उल्लू में आपका स्वागत है। हमारा पहला कॉलर लाइन पर है। "}, {"स्पीकर": "कॉलर", "टेक्स्ट": "[एक फोन एक बार बजता है] नमस्ते! मैं वर्षों से सुन रहा हूं, और आखिरकार मैं समझ गया!"}, {"स्पीकर": "होस्ट", "टेक्स्ट": "(हंसते हुए) ठीक है, हमें खुशी है कि आपने ऐसा किया। }'StepAudio 3 Gen नौकरी के साथ जवाब देता है; से तैयार क्लिप पढ़ें /v1/jobs/{job_id}. दोनों में प्रयास करें खेल।.
अक्सर पूछे जाने वाले प्रश्नों
क्या क्लिप संपादित या पुन: प्रयास किए गए थे?
नहीं। प्रत्येक क्लिप पहला ऑडियो है जिसे उसका अनुरोध वापस कर दिया गया है, असंपादित किया गया है। दूसरी स्टेपऑडियो 3 जेन क्लिप एक अलग अनुरोध है, मॉडल के प्रलेखित प्रारूप में एक ही दृश्य, पहले का पुन: प्रयास नहीं।
StepAudio 3 Gen ने विवरण को ज़ोर से क्यों पढ़ा?
StepAudio 3 Gen का पाठ बोलता है शीघ्र जैसा लिखा है। वर्गाकार कोष्ठक या कोष्ठक में पाठ को पढ़े जाने के बजाय ध्वनि संकेत या वितरण दिशा के रूप में लिया जाता है, इसलिए दूसरे अनुरोध में फोन की घंटी और हंसी नहीं बोली जाती थी। सेटिंग और संगीत को अंदर रखें शिक्षण-प्रशिक्षण।.
मुझे किसका उपयोग करना चाहिए?
Qwen ऑडियो 3.1 TTS अगला सादे भाषा में लिखा गया एक दृश्य लेता है और संदर्भ क्लिप से तीन आवाजों तक क्लोन कर सकता है। StepAudio 3 Gen तेज़ है और जब रेखाएँ और संकेत इसके प्रारूप में लिखे जाते हैं तो इसकी लागत कम होती है। अपने स्वयं के दृश्य के साथ क्लिप सुनें।
इसे अजमाएं
खेल का मैदान (c) Qwen ऑडियो 3.1 TTS नेक्स्ट एपीआई का उपयोग कैसे करें (c) सभी मॉडल (c) मूल्य निर्धारण
प्रकटीकरण: यह लेख एआई सहायता के साथ लिखा गया था और EmpirioLabs AI द्वारा समीक्षा की गई थी।.
