タイプ
仕様
料金
合成
10,000文字あたり
$0.14
StepAudio 3 TTS と Qwen Audio 3.0 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。
StepFun 
Alibaba Cloud オーディオ生成StepFun の StepAudio 3 TTS と Alibaba Cloud の Qwen Audio 3.0 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 | StepAudio 3 TTS | Qwen Audio 3.0 TTS |
|---|---|---|
| モデルID | stepaudio-3-tts | qwen-audio-3-0-tts |
| 開発元 | StepFun | Alibaba Cloud |
| リリース | 2026年9月9日 | 2026年7月20日 |
| 入力 | テキスト | テキスト |
| 出力 | 音声 | 音声 |
| リージョン | International | Singapore |
| エンドポイント | POST /v1/audio/speech POST /v1/audio/speech:stream | POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices |
| 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 | StepAudio 3 TTS | Qwen Audio 3.0 TTS |
|---|---|---|
| input | 最大 1000 | 最大 20000 |
| voice | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... デフォルト: lively-girl | loongjameszhao, loongolivialin, loonglunawang, loongnorahu, l... デフォルト: loongjameszhao |
| instruction | 最大 500 | 最大 128 |
| speed | 0.5 から 2 デフォルト: 1 | 0.5 から 2 デフォルト: 1 |
| volume | 0.1 から 2 デフォルト: 1 | 0 から 100 デフォルト: 50 |
| language | en, zh, ja, ko, fr, es デフォルト: en | - |
| response_format | mp3, wav, flac, opus, pcm デフォルト: mp3 | mp3, wav, pcm, opus デフォルト: mp3 |
| sample_rate | 8000, 16000, 22050, 24000 デフォルト: 24000 | 8000, 16000, 22050, 24000, 44100, 48000 デフォルト: 24000 |
| markdown_filter | boolean デフォルト: false | - |
| pronunciation_map | string | - |
| model_tier | - | plus, flash デフォルト: plus |
| voice_audio_url | - | string |
| voice_id | - | string |
| pitch | - | 0.5 から 2 デフォルト: 1 |
| language_hints | - | zh, en |
| seed | - | 0 から 65535 デフォルト: 0 |
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。
StepAudio 3 TTS 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 stepaudio-3-tts 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 stepaudio-3-tts または qwen-audio-3-0-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": "stepaudio-3-tts",
"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。
StepAudio 3 TTS のほうが新しいリリースです (2026年9月9日)。Qwen Audio 3.0 TTS のリリースは 2026年7月20日 です。 StepAudio 3 TTS だけに記載されている機能: contextual tts, voice control。 Qwen Audio 3.0 TTS だけに記載されている機能: expressive prosody, emotion control, voice tags, dialect, low latency, voice cloning。 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 TTS のほうが新しいリリースです (2026年9月9日)。Qwen Audio 3.0 TTS のリリースは 2026年7月20日 です。
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。
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。
はい。EmpirioLabs プレイグラウンド で各モデルを開き、API と同じパラメーターで同じプロンプトを両方に実行できます。
