StepAudio 3 Realtime API

音声入力、音声出力、1つのソケットで。返信途中で割り込み可能で、音声活動検出が応答のタイミングを判断します。

StepFun オーディオ生成 256K コンテキスト リリース 2026年8月6日 International 独自エンドポイント

StepAudio 3 Realtime について

音声入力、音声出力、1つのソケットで。返信途中で割り込み可能で、音声活動検出が応答のタイミングを判断します。

セッションはリクエストパラメータではなく、ソケット上でsession.updateイベントで設定されます。

別名 StepFun StepAudio 3 Realtime

realtime speech to speech audio in audio out function calling voice control

StepAudio 3 Realtime の仕様

モデルID
stepaudio-3-realtime
開発元
StepFun
カテゴリ
オーディオ生成
リリース
2026年8月6日
コンテキスト長
256K トークン
最大出力
131,072 トークン
入力
音声テキスト
出力
音声テキスト
リージョン
International
エンドポイント
WEBSOCKET/v1/realtime
代替モデルID
stepaudio-3-realtime-previewstepfun/stepaudio-3-realtime

StepAudio 3 Realtime API の料金

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。

タイプ
仕様
料金
会期
毎分
$0.125
料金ページ全体で比較

StepAudio 3 Realtime API 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。 EmpirioLabs ダッシュボードで API キーを取得してください。

Python (websockets)
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 API の完全リファレンス

StepAudio 3 Realtime API のパラメーター

EmpirioLabs 上の StepAudio 3 Realtime 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
voiceenumsoft-spoken-gentlemansoft-spoken-gentleman, magnetic-voiced-male, vibrant-youth, l...セッションボイスは、モデルが音声を生成する前にsession.updateで設定されます。モデルが話し終えた後は変更できず、他の値は拒否されます。
instructionsstring--セッションのシステム指示:キャラクター、話し方、境界線。
modalitiesstring["text","audio"]-セッションの反応方法。
volume_rationumber10.1 から 2音声返信の音量はデフォルトに対して大きくなります。受け入れ範囲は0.1から2.0です。
input_audio_formatenumpcm16pcm16送信する音声のエンコード。16ビットPCM。
output_audio_formatenumpcm16pcm16モデルが返す音声のエンコーディング。16ビットPCM。
turn_detectionstring{"type":"server_vad"}-サーバー側の音声活動検出。話すのをやめたタイミングを判定し、モデルが返事をするはずです。これがなければモデルは聞くだけで応答はしないので、運転中にinput_audio_buffer.commitとresponse.createで自分でターンしない限り、このままにしてください。server_vadでは、3つの整数を設定できます:pr...

知っておくと便利

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 3 Realtime API: よくある質問

StepAudio 3 Realtime API の料金はいくらですか?

EmpirioLabs では StepAudio 3 Realtime は従量課金です: 会期 $0.125 毎分。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 Realtime はどの入力と出力に対応していますか?

StepAudio 3 Realtime は 音声, テキスト を入力として受け取り、音声, テキスト を返します。

StepAudio 3 Realtime のコンテキストウィンドウはどれくらいですか?

StepAudio 3 Realtime は 256K トークンのコンテキストウィンドウに対応しています(1回の応答あたり最大 131,072 出力トークン)。

StepAudio 3 Realtime はどのエンドポイントを使いますか?

StepAudio 3 Realtime は api.empiriolabs.ai 上の WEBSOCKET /v1/realtime で提供され、標準的な Bearer トークン認証を使用します。

StepAudio 3 Realtime のモデル ID は何ですか?

リクエストの model に stepaudio-3-realtime を指定してください。代替 ID の stepaudio-3-realtime-preview, stepfun/stepaudio-3-realtime も使えます。

StepAudio 3 Realtime はいつリリースされましたか?

StepFun は 2026年8月6日 に StepAudio 3 Realtime をリリースしました。

StepAudio 3 Realtime はどこから提供されていますか?

EmpirioLabs の StepAudio 3 Realtime は International から提供されています。

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

EmpirioLabs プレイグラウンド を開き、Start session を押すとブラウザーで試せます。StepAudio 3 Realtime はリクエストとレスポンスではなく WebSocket 上で動作するため、組み込むときは リアルタイム音声クイックスタート から始めてください。EmpirioLabs の API キーとモデル ID stepaudio-3-realtime を使ってサーバーから接続し、音声を双方向にストリーミングします。

StepAudio 3 Realtime の API キーはどうやって取得しますか?

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。

StepAudio 3 Realtime を他のモデルと比較

すべてのモデル比較

より良いエンドポイントを使う準備はできていますか?

ご自身のモデルを当社のスタックに展開したい方は、ぜひご価格をご覧ください。