タイプ
仕様
料金
合成
10,000文字あたり
$0.60
Qwen Audio 3.1 TTS Plus と StepAudio 3 TTS を並べて比較: 仕様、機能、パラメーター、EmpirioLabs カタログのライブ料金。
Alibaba Cloud 
StepFun オーディオ生成Alibaba Cloud の Qwen Audio 3.1 TTS Plus と StepFun の StepAudio 3 TTS はどちらもオーディオ生成カテゴリのモデルで、EmpirioLabs API から利用できます。
| 仕様 | Qwen Audio 3.1 TTS Plus | StepAudio 3 TTS |
|---|---|---|
| モデルID | qwen-audio-3-1-tts-plus | stepaudio-3-tts |
| 開発元 | Alibaba Cloud | StepFun |
| リリース | 2026年10月21日 | 2026年9月9日 |
| 入力 | テキスト | テキスト |
| 出力 | 音声 | 音声 |
| リージョン | Singapore | International |
| エンドポイント | POST /v1/audio/speech POST /v1/audio/speech:stream WEBSOCKET /v1/realtime GET /v1/voices | POST /v1/audio/speech POST /v1/audio/speech:stream |
| 機能 |
両モデルの EmpirioLabs カタログのライブ料金です。各料金表は常に API の請求額と一致します。
EmpirioLabs で各モデルに記載されているリクエストパラメーターと、指定できる値または範囲です。ハイフンは、そのモデルに記載のないパラメーターを示します。
| パラメータ | Qwen Audio 3.1 TTS Plus | StepAudio 3 TTS |
|---|---|---|
| input | 最大 10000 | 最大 1000 |
| voice | longanlingxin_v3.1, longanhuan_v3.1, longanfengyue_v3.1, xuna... デフォルト: longanlingxin_v3.1 | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... デフォルト: lively-girl |
| voice_audio_url | string | - |
| response_format | mp3, wav, pcm, opus デフォルト: mp3 | mp3, wav, flac, opus, pcm デフォルト: mp3 |
| sample_rate | 8000, 12000, 16000, 22050, 24000, 44100, 48000 デフォルト: 24000 | 8000, 16000, 22050, 24000 デフォルト: 24000 |
| speed | 0.5 から 2 デフォルト: 1 | 0.5 から 2 デフォルト: 1 |
| pitch | 0.5 から 2 デフォルト: 1 | - |
| volume | 0 から 100 デフォルト: 50 | 0.1 から 2 デフォルト: 1 |
| instruction | 最大 1000 | 最大 500 |
| language_hints | zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, ar | - |
| seed | 0 から 65535 デフォルト: 0 | - |
| bit_rate | 6000 から 510000 デフォルト: 32000 | - |
| pronunciation | object | - |
| replace | object | - |
| enable_markdown_filter | boolean デフォルト: false | - |
| language | - | en, zh, ja, ko, fr, es デフォルト: en |
最大入力文字数は1,000文字です。括弧内の内容は配信指示として扱われ、話し言葉ではありません。グローバルな感情やスタイルの誘導には最大500文字の指示を使用してください。12種類のシステム音声が利用可能です。認識可能な言語は中国語、英語、日本語、韓国語、フランス語、スペイン語で、プレビューでは中国語と英語以外の言語も含まれています。出力形式はmp3、wav、flac、opus、pcmで8000、16000、22050、または24000Hzです。Wavはストリーミングではなく完全なファイルとして返されます。このモデルはvoice_labelをサポートしていません。
Qwen Audio 3.1 TTS Plus は POST /v1/audio/speech で音声を生成し、再生可能なオーディオを返します。読み上げるテキストを input として、モデル ID qwen-audio-3-1-tts-plus と一緒に送信してください。 どちらのモデルも同じエンドポイントで呼び出します。model を qwen-audio-3-1-tts-plus または stepaudio-3-tts に設定してください。 EmpirioLabs ダッシュボードで API キーを取得してください。
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-plus",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3両方のモデルを扱ったプロンプトテストと比較実験です。
Qwen Audio 3.1 TTS Plus のほうが新しいリリースです (2026年10月21日)。StepAudio 3 TTS のリリースは 2026年9月9日 です。 Qwen Audio 3.1 TTS Plus だけに記載されている機能: expressive prosody, emotion control, voice tags, streaming, realtime, voice cloning。 StepAudio 3 TTS だけに記載されている機能: contextual tts, voice control。 このページの仕様、料金表、パラメーターは EmpirioLabs のライブカタログに基づいています。
Qwen Audio 3.1 TTS Plus のほうが新しいリリースです (2026年10月21日)。StepAudio 3 TTS のリリースは 2026年9月9日 です。
合成 (10,000文字あたり) の料金は StepAudio 3 TTS のほうが低くなっています。 両方のライブ料金表はこのページにあり、常に API の請求額と一致します。
はい。どちらのモデルも同じ EmpirioLabs API キーで POST /v1/audio/speech を使うため、ほとんどの連携は model の値を変えるだけで切り替えられます。モデル固有のパラメーターに依存している場合は、先にこのページのパラメーター表を確認してください。
