6言語にわたる人間レベルの音声合成、12のシステムボイス、自然言語の伝達方向、ストリーミング再生が可能です。
StepFunオーディオ生成リリース 2026年9月9日International独自エンドポイント新着6言語にわたる人間レベルの音声合成、12のシステムボイス、自然言語の伝達方向、ストリーミング再生が可能です。
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 TTS
stepaudio-3-tts/v1/audio/speechPOST/v1/audio/speech:streamstepfun/stepaudio-3-ttsEmpirioLabs 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 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。 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.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "stepaudio-3-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)EmpirioLabs 上の StepAudio 3 TTS 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 |
|---|---|---|---|---|
| input | string | - | 最大 1000 | テキストを合成します。最大1,000文字。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。 |
| voice | enum | lively-girl | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... | 生成された音声には音声が使われます。 |
| instruction | string | - | 最大 500 | 全文のグローバルな感情またはスタイルのガイダンスを自然言語で提供します。最大500文字まで。 |
| speed | number | 1 | 0.5 から 2 | 話す速度。 |
| volume | number | 1 | 0.1 から 2 | 出力量。 |
| language | enum | en | en, zh, ja, ko, fr, es | 対象言語。日本語、韓国語、フランス語、スペイン語はプレビュー中です。 |
| 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 | 出力サンプリングレートはHzで表示されます。 |
| markdown_filter | boolean | false | - | 入力からMarkdownの構文を音声から削除してください。 |
| pronunciation_map | string | - | - | 発音は「written/spoken」ルールの音調配列を持つオブジェクトとしてオプションでオーバーライドされます。 |
Maximum input is 1,000 characters. Content in parentheses is treated as delivery direction and is not spoken. Use instruction for global emotion or style guidance, up to 500 characters. Twelve system voices are available. Recognized languages are Chinese, English, Japanese, Korean, French, and Spanish, with languages other than Chinese and English in preview. Output formats are mp3, wav, flac, opus, and pcm at 8000, 16000, 22050, or 24000 Hz. Wav is returned as a complete file rather than streamed. This model does not support voice_label.
EmpirioLabs では StepAudio 3 TTS は従量課金です: 合成 $0.36 10,000文字あたり。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 TTS は api.empiriolabs.ai 上の POST /v1/audio/speech で提供され、標準的な Bearer トークン認証を使用します。
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 TTS 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。
