간단한 답변: 같은 서면 설명에서, Qwen 오디오 3.1 TTS 넥스트 세 개의 대사를 모두 소화했고, 무대 지시는 전혀 하지 않았습니다. 스텝오디오 3세대 그 텍스트가 말한다 제품정보 대로라면 무대 지시를 소리 내어 읽고 두 번째 대사 중간에 멈췄습니다. 장면을 자체 다중 스피커 형식으로 제공하자, StepAudio 3 Gen은 첫 두 대사를 연주하고, 약 5초 만에 파일을 반환했으며, 비용은 절반도 안 됩니다. 두 버전 모두 EmpirioLabs로 실행됩니다. 아래 각 클립을 들어보세요; 우리는 우승자를 선언하지 않습니다.
장면
심야 라디오 스튜디오, 배경에는 부드러운 재즈가 흐릅니다. 따뜻한 남성 진행자가 말합니다: "안녕하세요, Night Owls에 다시 오신 것을 환영합니다. 첫 번째 전화자가 전화 중입니다." 한 번 전화가 울립니다. 쾌활한 여성 전화자가 말합니다: "안녕하세요! 몇 년째 들어왔는데 드디어 연결됐어요!" 진행자가 웃으며 말합니다: "음, 와주셔서 기쁩니다."
결과를 들어보세요
결과를 한눈에 볼 수 있습니다
| Qwen 오디오 3.1 TTS 넥스트 | StepAudio 3세대, 작성된 대로 | StepAudio 3 세대, 역할 및 대본 | |
|---|---|---|---|
| 메이커 | 알리바바 | 스텝펀 | 스텝펀 |
| 종착점 | /v1/audio/speech 이후 | /v1/audio/generations 이후 | /v1/audio/generations 이후 |
| 3개의 구절을 말했다 | 3 | 1, 그리고 2초의 일부, 무대 지시가 소리 내어 낭독된다 | 2 |
| 이 요청의 대가입니다 | $0.0130 | $0.0051 | $0.0049 |
| 오디오 길이 | 18.0초 | 18.9초 | 15.9초 |
| 완성된 파일 완성까지 시간 | 63초 | 약 6초 정도 | 약 5초 정도 |
| 청구 단위 | 토큰: 입력 설명, 초당 약 200개의 토큰 오디오 출력이 | 등장인물 | 등장인물 |
| 참고 영상 목소리 | 최대 3명까지 | 불가 | 불가 |
우리가 진행한 방법
각 모델은 2026년 10월 18일 EmpirioLabs API를 통해 동일한 스크립트 장면을 한 장씩 받았으며, 다른 모든 설정은 기본값으로 유지되었습니다. Qwen Audio 3.1 TTS Next는 이 장면을 다음과 같이 가져왔습니다. 입력, 그리고 StepAudio 3세대는 다음과 같이 받아들였습니다 제품정보. StepAudio 3 Gen은 멀티스피커 장면을 위한 자체 포맷을 문서화하기 때문에, 같은 장면도 그렇게 보내졌습니다: 즉, 배경을 교육, 두 화자는 역할, 에 있는 세 줄이 대본, 전화벨은 괄호 안에, 웃음은 괄호 안에 있습니다. 각 클립이 어떤 대사를 말하는지 두 개의 음성 인식 모델로 전사해 확인했고, 모두 일치했습니다. 가격은 현재 요금으로 이 정확한 요청들의 비용입니다. 요청이 완성된 파일로 전송된 시점부터 시간이 소요됩니다; StepAudio 3 Gen은 생성부터 완료까지 타이밍이 맞춰 작업을 수행합니다.
무엇을 들어야 할까요
무대 지시. Qwen Audio 3.1 TTS Next는 설명을 장면 자체로 변환합니다. StepAudio 3 Gen은 주어진 텍스트를 말하기 때문에 설정이 속합니다 교육 그리고 대괄호 안에 소리 신호가 표시되어 있습니다.
방. 목소리 아래의 재즈, 줄 사이 전화 벨소리, 진행자의 웃음, 그리고 각 클립이 연설과 어떻게 균형을 맞추는지 들어보세요.
속도와 가격. StepAudio 3 Gen은 클립을 몇 초 만에 절반 이하의 가격에 반환했습니다. Qwen Audio 3.1 TTS Next는 약 1분 만에 걸리며, 생성된 오디오에 대해 요금을 청구하기 때문에 긴 장면은 더 비용이 듭니다.
같은 테스트를 EmpirioLabs
컬 https://api.empiriolabs.ai/v1/audio/speech \ -H "권한: 베어러 $EMPIRIOLABS_API_KEY" \ -h "콘텐츠-유형: application/json" \ -d '{ "모델": "qwen-audio-3-1-tts-next", "입력": "심야 라디오 스튜디오, 배경에 부드러운 재즈가 흐릅니다. 따뜻한 남성 진행자가 말합니다: \"안녕하세요, Night Owls에 다시 오신 것을 환영합니다. 첫 번째 전화자가 전화 중입니다." 한 번 전화가 울립니다. 쾌활한 여성 전화자가 말합니다: \"안녕하세요! 몇 년 동안 들었는데 드디어 연결됐어요!\" 진행자가 웃으며 말합니다: \"음, 와줘서 기쁩니다."" }'StepAudio 3세대, 역할과 대본:
curl https://api.empiriolabs.ai/v1/audio/generations \ -h "승인: 베어러 $EMPIRIOLABS_API_KEY" \ -H "내용 유형: application/json" \ -d '{ "모델": "stepaudio-3-gen", "지시": "부드러운 재즈가 배경에 흐르는 심야 라디오 스튜디오.", "역할": [ {"이름": "호스트", "설명": "따뜻한 남성 라디오 진행자"}, {"이름": "발신자", "설명": "쾌활한 여성 발신자"}, "스크립트": [ {"스피커": "호스트", "문자": "안녕하세요, 그리고 Night Owls에 다시 오신 것을 환영합니다. 첫 번째 전화자가 연결되었습니다."}, {"스피커": "콜러", "문자": "[전화 한 번 울림] 안녕하세요! 몇 년 동안 듣고 있었는데, 드디어 연락이 왔어요!", {"speaker": "호스트", "text": "(웃음) 와줘서 기뻐요."} ] }'StepAudio 3 Gen이 일자리를 제시합니다; 완성된 클립을 읽어보세요. 빨리 /v1/jobs/{job_id}. 둘 다 시도해 보세요. 뚱 베어·.
자주 묻는 질문
클립이 편집되었거나 재시도되었나요?
아니요. 각 클립은 요청이 처음 반환된 오디오이며, 편집되지 않은 것입니다. 두 번째 StepAudio 3 Gen 클립은 모델의 문서화된 형식에서 같은 장면을 요청한 다른 요청이며, 첫 번째 영상의 재시도가 아닙니다.
왜 StepAudio 3세대는 설명을 소리 내어 읽었을까요?
StepAudio 3 세대가 의 텍스트를 말합니다 제품정보 대로. 대괄호나 괄호 안에 있는 텍스트는 소리 신호나 전달 지시로 받아들여져서 두 번째 요청에서 전화벨과 웃음소리가 들리지 않습니다. 설정과 음악을 넣으세요 교육·.
어떤 걸 써야 할까요?
Qwen Audio 3.1 TTS Next는 평범한 언어로 작성된 장면을 참고 클립에서 최대 세 개의 목소리를 복제할 수 있습니다. StepAudio 3 Gen은 대사와 큐를 형식적으로 작성할 때 더 빠르고 비용도 적게 듭니다. 자신만의 장면과 함께 클립을 들어보세요.
한번 해보세요
팟캐스트 · Qwen Audio 3.1 TTS Next API 사용법 · 모든 모델 · 제품정보
공개: 이 문서는 AI 지원으로 작성되었으며 EmpirioLabs AI에 의해 검토되었습니다.
