簡単に言うと: 同じ記述から、 Qwen Audio 3.1 TTS Next 3つのセリフすべてを演じ、舞台指示は一切ありません。 StepAudio 第3世代 その言葉を語る プロンプト 脚本通りにステージ指示を読み上げ、2行目の途中で止めました。シーンを独自のマルチスピーカー形式で使うと、StepAudio 3 Genは最初の2行を演じ、約5秒でファイルを返し、価格は約半分以下でした。どちらもEmpirioLabsで動作します。以下の各クリップを聴いてみてください;勝者を決めるわけではありません。
シーン
深夜のラジオスタジオで、柔らかなジャズが背景に流れています。温かい男性ホストが言います。「こんばんは、ナイト・アウルズへようこそ。最初のお電話が出ています。」一度だけ電話が鳴ります。陽気な女性のリスナーが言います。「こんにちは!何年も聴いてきましたが、ついに繋がりました!」ホストは笑いながら言います。「来てくれて嬉しいです。」
結果を聞く
結果を一目で見た
| Qwen Audio 3.1 TTS Next | StepAudio 3世代、原文通り | StepAudio 3世代、役割およびスクリプト | |
|---|---|---|---|
| メイカー | アリババ | ステップファン | ステップファン |
| 終着点 | ポスト/v1/audio/speech | ポスト/v1/audio/generations | ポスト/v1/audio/generations |
| セリフは3つ | 3 | 1、次に2番目のシーンの一部、舞台指示が声に出して読み上げられます | 2 |
| この依頼の代償 | $0.0130 | $0.0051 | $0.0049 |
| 音声の長さ | 18.0秒 | 18.9秒 | 15.9秒 |
| 完成ファイルまでの時間 | 63秒 | 約6秒 | 約5秒 |
| 請求ユニット | トークン:説明を入力し、1秒あたり約200トークンの音声出力 | 登場人物 | 登場人物 |
| 参考映像からの声 | 最大3人まで | 利用できません | 利用できません |
運営方法
各モデルは2026年10月18日にEmpirioLabs APIを通じて同じシーンを1ショットずつ受け取り、それ以外のすべての設定はデフォルトで設定されました。Qwen Audio 3.1 TTS Nextはこのシーンを次のように扱いました 入力そしてStepAudio 3世代はこれを次のように扱いました。 プロンプト.StepAudio 3 Genはマルチスピーカーシーン用の独自のフォーマットをドキュメント化しているので、同じシーンも同じように送りました:セット 指導、2人のスピーカーは 役割、の3行 文字電話は角括弧内で鳴り、笑い声は括弧内で示されています。各クリップがどのセリフを話すかを2つの音声認識モデルで文字起こしし、一致しました。価格は現在の料金でこれらの正確なリクエストのコストです。リクエストを送信して完成ファイルに届くまでの時間がかかります。StepAudio 3 Genは作成から完了までのタイミングでジョブを返答します。
聞くべきこと
舞台指示だ。 Qwen Audio 3.1 TTS Nextは説明をシーンそのものに変換します。StepAudio 3 Genは与えられたテキストを話すので、この設定は 指導 そして、角括弧内の音声の手がかりです。
部屋だ。 声の下のジャズ、行間に響く電話の呼び出し音、司会者の笑い声、そして各クリップがスピーチとどのようにバランスを取っているかに耳を傾けてください。
スピードと価格。 StepAudio 3 Genはクリップを数秒で返品し、価格も半額以下でした。Qwen Audio 3.1 TTS Nextは約1分かかり、生成する音声料金が請求されるため、長いシーンはより高価です。
同じテストをEmpirioLabsで行ってください
curl https://api.empiriolabs.ai/v1/audio/speech \ -H 「認証:ベアラー $EMPIRIOLABS_API_KEY」 \ -h 「コンテンツタイプ:application/json」 \ -d '{ 「モデル」:「qwen-audio-3-1-tts-next」 「入力」:「深夜のラジオスタジオ、背景にソフトジャズが流れています。」温かい男性ホストが言います:「こんばんは、ナイト・アウルズへようこそ。最初のお電話が出かけました。」電話が一度鳴る。陽気な女性の発信者が言う:「こんにちは!何年も聞いてきたのに、ついに繋がりました!」ホストは笑いながら言う。「来てくれて嬉しいです。」}StepAudio 3世代、役割と台本:
curl https://api.empiriolabs.ai/v1/audio/generations \ -h 「認可:ベアラー $EMPIRIOLABS_API_KEY」 \ -h 「コンテンツタイプ:application/json」 \ -d '{ 「モデル」:「stepaudio-3-gen」, 「指示」:「深夜のラジオスタジオ、背景にソフトジャズが流れている。」, 「役割」: [ {"name": "ホスト", "description": 「温かい男性ラジオホスト」}, {"name": "calller", "description": "陽気な女性の電話者"}, "scripts": [ {"speaker": "host", "text": "こんばんは、ナイトオウルズへようこそ。最初の電話が出ています。"}, {"speaker": "Caller", "text": "[電話が一度鳴る]こんにちは!何年も聞いて、ついに通せた!}、{"speaker": "host", "text": "(笑)来てくれて嬉しいよ。"] ]}'StepAudio 3世代が仕事を答える;完成したクリップを読む 出て/v1/jobs/{job_id}.両方を試してみてください。 プレイグラウンドお問い合わせ.
よくある質問
クリップは編集されたり再試したりしましたか?
いいえ。各クリップはリクエストが返された最初の音声で、編集されていません。2つ目のStepAudio 3世代クリップは別のリクエストで、モデルのドキュメント形式の同じシーンで、最初のクリップの再試行ではありません。
なぜStepAudio 3世代は説明文を声に出して読んだのでしょうか?
StepAudio 3世代が のテキストを発信します プロンプト 書かれている通りです。角括弧や括弧内のテキストは、読み上げではなく音声の合図や伝え方として受け取られるため、2回目のリクエストでの電話の呼び出し音や笑い声は発せられませんでした。設定と音楽を入れてください 指導お問い合わせ.
どちらを使うべきでしょうか?
Qwen Audio 3.1 TTS Nextは、平易な言語で書かれたシーンを参考映像から最大3つの声をクローンできます。StepAudio 3 Genは、セリフやキューをその形式で書き出すと、より速く、コストも安くなります。自分のシーンと一緒にクリップを聴いてみてください。
試してみて
プレイグラウンド お問い合わせ Qwen Audio 3.1 TTS Next APIの使い方 お問い合わせ 全モデル お問い合わせ 料金について
ディスクロージャー:この記事は、EmpirioLabs AIによるAIの支援とレビューで書かれました.
