書かれたシーンからセリフ、効果音、環境音、背景音楽を一つのクリップにまとめて生成します。
文字数のカウントはStepFunの料金体系に従い、中国語1文字が1文字、英語の文字2文字が1文字、句読点2文字が1文字としてカウントされます。
別名 StepFun StepAudio 3 Gen
stepaudio-3-gen/v1/audio/generationsstepaudio-3-gen-previewstepfun/stepaudio-3-gen公開済みのテストからの出力です。それぞれ元の記事にリンクしています。
EmpirioLabs カタログのライブ従量課金料金です。週ごとの利用枠付きプランも選べます。
StepAudio 3 Gen は POST /v1/audio/generations で動作します。リクエストはすぐに job_id を返すので、ジョブが完了するまで GET /v1/jobs/{job_id} をポーリングし、結果から出力 URL を読み取ってください。 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/generations \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "stepaudio-3-gen",
"prompt": "Describe what you want StepAudio 3 Gen to generate."
}'curl https://api.empiriolabs.ai/v1/jobs/JOB_ID \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY"import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/generations",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={
"model": "stepaudio-3-gen",
"prompt": "Describe what you want StepAudio 3 Gen to generate.",
},
)
job = response.json()
# Generation runs as an async job. Poll until it completes.
import time
while True:
status = requests.get(
f"https://api.empiriolabs.ai/v1/jobs/{job['job_id']}",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
).json()
if status.get("status") in ("completed", "failed"):
print(status)
break
time.sleep(5)EmpirioLabs 上の StepAudio 3 Gen API が対応するリクエストパラメーターです。フィールドを省略した場合はデフォルト値が適用されます。
| パラメータ | タイプ | デフォルト | 範囲 / 値 | 説明 |
|---|---|---|---|---|
| prompt | string | - | - | 話すためのテキスト、書かれた通りに読む。効果音や音楽の合図を括弧で囲み、伝え方を括弧で囲み、説明では舞台設定や背景音楽を説明する。 |
| instruction | string | - | 最大 500 | 設定、背景音楽、感情的なトーンに関するグローバルなガイダンス。最大500文字。 |
| roles | string | - | - | オプションのスピーカーは、名前と音声の説明がついたオブジェクトとして使えます。すべての名前と説明を合わせると最大500文字まで制限されています。 |
| scripts | string | - | - | オプションで順序付けられた行を、スピーカーとテキストを持つオブジェクトとして設定。合計で1,000文字まで制限されています。複数話者のシーンではプロンプトの代わりにこれを使ってください。 |
| response_format | enum | mp3 | mp3, wav, flac, opus, pcm | 出力音声フォーマット。 |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 48000 | 出力サンプリングレートはHzで表示されます。 |
| speed | number | 1 | 0.5 から 2 | 話す速度。 |
| volume | number | 1 | 0.1 から 2 | 出力量。 |
| text_normalization | enum | standard | standard, enhanced | 数字、日付、記号がどのように声に出して読み上げられるか。 |
完成したクリップ1つで、スピーチライン、効果音、環境音、背景音楽を組み合わせて。プロンプトとスクリプトのテキストは書かれた通りに発言されます:指示で設定や背景音楽を説明し、効果音や音楽キューを括弧で囲み、伝え方を括弧内に記載します。プロンプトを送信するか、マルチスピーカー制御のために役割やスクリプトを使用します。ロールと指示はそれぞれ500文字、スクリプトは1,000文字に制限されています。出力フォーマットはmp3、wav、flac、opus、pcmです。このモデルでは参照音声や音声クローンは利用できません。このモデルはプレビュー段階で、機能が変わる可能性があります。
このモデルを扱ったお知らせ、プロンプトテスト、比較記事です。
EmpirioLabs では StepAudio 3 Gen は従量課金です: 生成 $0.14 10,000文字あたり。週ごとの利用枠付きプランも選べます。このページのライブ料金表は常に API の請求額と一致します。
StepAudio 3 Gen は テキスト を入力として受け取り、音声 を返します。
StepAudio 3 Gen は api.empiriolabs.ai 上の POST /v1/audio/generations で提供され、標準的な Bearer トークン認証を使用します。
リクエストの model に stepaudio-3-gen を指定してください。代替 ID の stepaudio-3-gen-preview, stepfun/stepaudio-3-gen も使えます。
StepFun は 2026年9月9日 に StepAudio 3 Gen をリリースしました。
EmpirioLabs の StepAudio 3 Gen は International から提供されています。
はい。EmpirioLabs プレイグラウンドでは API と同じパラメーターで StepAudio 3 Gen をブラウザ上で実行できるので、コードを書く前にプロンプトを試せます。
EmpirioLabs アカウントを作成し、ダッシュボードの API Keysでキーを生成してください。課金は従量制クレジットなので、実行したリクエストの分だけ支払います。週ごとの利用枠付きプランも選べます。