StepAudio 3 Realtime vs StepAudio 2.5 Realtime

StepAudio 3 Realtime vs StepAudio 2.5 Realtime の概要

StepAudio 3 Realtime と StepAudio 2.5 Realtime はどちらも StepFun のモデルで、オーディオ生成カテゴリに属し、EmpirioLabs API から利用できます。

主な違い

• StepAudio 3 Realtime のほうが新しいリリースです (2026年8月6日)。StepAudio 2.5 Realtime のリリースは 2026年7月16日 です。
• どちらのモデルもコンテキスト長は 256K トークンです。

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: 仕様

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: API の料金

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。

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: API のパラメーター

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。

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: 上限と注意点

StepAudio 3 Realtime

wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime のWebSocketでフルデュプレックス音声を、通常のAuthorization Bearerヘッダーで認証されています。音声はpcm16の入出力です。モデルは話しながら聞くため、返信の途中で中断され、サーバー側の音声活動検出が応答のタイミングを判断します。voiceはsession.updateで最初の音声の前に設定してください。モデルが話した後は変更できず、7つの音声のみが受け入れられます。会話は中国語と英語のみです。セッションは開閉から終了までの長さで請求され、部分秒は1秒とみなされます。このモデルはプレビュー段階で、機能は変更される場合があります。

StepAudio 2.5 Realtime

wss@api.empiriolabs.ai/v1/realtime?model=stepaudio-2-5-realtime のWebSocketを経由した全二重音声で、通常のAuthorization Bearerヘッダーで認証されています。音声はpcm16の入出力です。モデルは話しながら聞くため、返信の途中で中断され、サーバー側の音声活動検出が応答のタイミングを決定します。voiceはsession.updateで最初の音声の前に設定します。モデルが話した後は変更できず、7つの表示された音声のみが受け入れられます。会話は中国語と英語のみです。各ターンはモデルが報告した使用量から個別に請求されます。

StepAudio 3 Realtime と StepAudio 2.5 Realtime の呼び出し方

StepAudio 3 Realtime は HTTP エンドポイントではなく、wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime の WebSocket 上でライブ会話を行います。モデル ID stepaudio-3-realtime で接続し、ハンドシェイク時に EmpirioLabs の API キーを Authorization: Bearer ヘッダーとして送信してください。音声は base64 の 16 ビット PCM として双方向に流れます。 ブラウザは WebSocket にヘッダーを設定できないため、この接続はサーバーから開き、音声は自前のソケットでブラウザへ中継してください。 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 stepaudio-3-realtime または stepaudio-2-5-realtime 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。

import asyncio, json, os, websockets

async def main():
    async with websockets.connect(
        "wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime",
        additional_headers=[
            ("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
        ],
        max_size=None,
    ) as ws:
        print(json.loads(await ws.recv())["type"])  # session.created

        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {
                "type": "message",
                "role": "user",
                "content": [{"type": "input_text", "text": "Say hello."}],
            },
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        async for raw in ws:
            event = json.loads(raw)
            if event["type"] == "response.audio.delta":
                ...  # base64 audio chunk, append to your playback buffer
            elif event["type"] == "response.done":
                break

asyncio.run(main())

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: よくある質問

StepAudio 3 Realtime と StepAudio 2.5 Realtime の違いは何ですか?

StepAudio 3 Realtime のほうが新しいリリースです (2026年8月6日)。StepAudio 2.5 Realtime のリリースは 2026年7月16日 です。 どちらのモデルもコンテキスト長は 256K トークンです。 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。

StepAudio 3 Realtime と StepAudio 2.5 Realtime ではどちらが新しいですか?

StepAudio 3 Realtime のほうが新しいリリースです (2026年8月6日)。StepAudio 2.5 Realtime のリリースは 2026年7月16日 です。

StepAudio 3 Realtime と StepAudio 2.5 Realtime ではどちらの料金が低いですか?

2 つのモデルは課金単位または階層が異なるため、このページのライブ料金表で比較してください。料金表は常に API の請求額と一致します。

統合を作り直さずに StepAudio 3 Realtime と StepAudio 2.5 Realtime を切り替えられますか?

はい。どちらのモデルも同じ EmpirioLabs API キーで WEBSOCKET /v1/realtime 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。

統合する前にブラウザで StepAudio 3 Realtime と StepAudio 2.5 Realtime を試せますか?

はい。EmpirioLabs プレイグラウンド で各モデルを開き、Start session を押すとブラウザーで試せます。