StepAudio 3 Realtime API

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

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。使った分だけの支払いで、月額最低料金はありません。

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。

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。

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が行われ、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ることがあり、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を設定してsession.updateを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。完了した各ターンはモデルが報告する使用量から個別に請求されます。このモデルはプレビュー段階であり、機能は変更される可能性があります。

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: 入力 $1.50 1Mプロンプトトークンあたり; ソリューション $10.00 生成された1Mトークンあたり; 暗黙のキャッシュ読み取り $0.30 1Mのキャッシュ入力トークンごとに。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 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。

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。