Resposta curta: A partir da mesma descrição escrita, Qwen Audio 3.1 TTS Next apresentou as três falas faladas e nenhuma das indicações de palco. StepAudio 3 Gen fala o texto de seu prompt Como escrito, ele leu as instruções de palco em voz alta e parou no meio da segunda linha. Dada a cena em seu próprio formato multi-alto-falante, o StepAudio 3 Gen executou as duas primeiras linhas, retornou seu arquivo em cerca de 5 segundos contra cerca de um minuto, e custou bem menos da metade. Ambos rodam em EmpirioLabs. Ouça cada clipe abaixo; não estamos declarando um vencedor.
A cena
Um estúdio de rádio noturno, com jazz suave tocando ao fundo. Um apresentador masculino e caloroso diz: "Boa noite e bem-vindos de volta ao Night Owls. Nosso primeiro ouvinte está na linha." Um telefone toca uma vez. Uma ouvinte alegre diz: "Oi! Estou ouvindo há anos, e finalmente consegui falar!" O apresentador ri e diz: "Bem, ficamos felizes que você tenha falado."
Ouça os resultados
Resultados em resumo
| Qwen Audio 3.1 TTS Next | StepAudio 3 Geração, conforme escrito | StepAudio 3 Geração, papéis e roteiros | |
|---|---|---|---|
| Criador | Alibaba | StepFun | StepFun |
| Endpoint | PÓS-/v1/audio/speech | PÓS-/v1/audio/generations | PÓS-/v1/audio/generations |
| Versos falados, de 3 | 3 | 1, depois parte do segundo, com as indicações de palco lidas em voz alta | 2 |
| Preço por esse pedido | $0.0130 | $0.0051 | $0.0049 |
| Duração do áudio | 18,0 segundos | 18,9 segundos | 15,9 segundos |
| Hora do arquivo finalizado | 63 segundos | Cerca de 6 segundos | Cerca de 5 segundos |
| Unidade de faturamento | Tokens: a descrição de entrada, cerca de 200 tokens por segundo de áudio de saída | Personagens | Personagens |
| Vozes de trechos de referência | Até 3 | Não disponível | Não disponível |
Como administramos
Cada modelo recebeu a mesma cena escrita, uma cena cada, através da API EmpirioLabs em 18 de outubro de 2026, com todas as outras configurações em seu padrão. Qwen Audio 3.1 TTS Next assumiu a cena como Entrada, e o StepAudio 3 Gen o considerou como prompt. O StepAudio 3 Gen documenta seu próprio formato para cenas com múltiplos alto-falantes, então também enviamos a mesma cena dessa forma: a configuração em Instrução, os dois falantes em Funções, as três linhas em Roteiros, o telefone toca entre colchetes quadrados e a risada entre parênteses. Verificamos quais linhas cada clipe fala transcrevendo com dois modelos de reconhecimento de voz, que concordaram. Os preços são o que esses pedidos exatamente custam nas taxas atuais. Os tempos vão desde o envio do pedido até o arquivo finalizado; StepAudio 3 Gen responde com um trabalho, cronometrado da criação até a conclusão.
O que ouvir
Indicações de palco. Qwen Audio 3.1 TTS Next transforma a descrição na própria cena. StepAudio 3 Gen fala o texto que recebe, então a configuração pertence a Instrução e os sinais sonoros entre colchetes.
O quarto. Ouça o jazz por baixo das vozes, o telefone tocando nas entrelinhas, a risada do apresentador e como cada clipe os equilibra com o discurso.
Velocidade e preço. O StepAudio 3 Gen devolveu seus clipes em segundos por bem menos da metade do preço. Qwen Audio 3.1 TTS Next levou cerca de um minuto e fatura o áudio que gera, então uma cena mais longa custa mais.
Faça o mesmo teste no EmpirioLabs
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorização: Portador $EMPIRIOLABS_API_KEY" \ -h "Tipo-Conteúdo: application/json" \ -d '{ "modelo": "qwen-audio-3-1-tts-next", "entrada": "Um estúdio de rádio noturno, com jazz suave tocando ao fundo. Um apresentador masculino caloroso diz: \"Boa noite e bem-vindos de volta ao Night Owls. Nosso primeiro ouvinte está na linha.\" Um telefone toca uma vez. Uma ligadora alegre diz: \"Oi! Eu estou ouvindo há anos e finalmente consegui falar!" O apresentador ri e diz: \"Bem, ficamos felizes que você tenha feito isso.\"" }'StepAudio 3 Geração, em papéis e roteiros:
curl https://api.empiriolabs.ai/v1/audio/generations \ -H "Autorização: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Conteúdo: application/json" \ -d '{ "modelo": "stepaudio-3-gen", "instrução": "Um estúdio de rádio noturno, com jazz suave tocando ao fundo.", "papéis": [ {"nome": "Apresentador", "descrição": "Um apresentador de rádio masculino caloroso"}, {"nome": "Chamador", "descrição": "Uma ligadora feminina alegre"} ], "roteiros": [ {"alto-falante": "Apresentador", "texto": "Boa noite, e bem-vindos de volta ao Night Owls. Nosso primeiro interlocutor está na linha."}, {"alto-falante": "Chamador", "mensagem": "[Um telefone toca uma vez] Oi! Eu estive ouvindo por anos, e finalmente consegui falar com ele!"}, {"alto-falante": "Anfitrião", "texto": "(risos) Bem, ficamos felizes que você tenha feito isso."} ] }'StepAudio 3 Gen responde com uma tarefa; leia o clipe final de VÁ /v1/jobs/{job_id}. Tente ambos na playground.
Perguntas frequentes
Os clipes foram editados ou retentados?
Não. Cada clipe é o primeiro áudio que seu pedido retornou, sem edição. O segundo clipe do StepAudio 3 Gen é uma solicitação diferente, a mesma cena no formato documentado do modelo, não uma retentativa do primeiro.
Por que o StepAudio 3 Gen leu a descrição em voz alta?
StepAudio 3 Gen fala o texto de prompt como está escrito. Texto entre colchetes quadrados ou parênteses é tomado como um sinal sonoro ou uma direção de entrega, em vez de ser lido, então o telefone toca e a risada no segundo pedido não são falados. Coloque o cenário e a música Instrução.
Qual devo usar?
Qwen Audio 3.1 TTS Next pega uma cena escrita em linguagem simples e pode clonar até três vozes de clipes de referência. StepAudio 3 Gen é mais rápido e custa menos quando as falas e sinais são escritas em seu formato. Ouça os clipes com sua própria cena.
Experimente
Área de reprodução □ Como usar a API Qwen Audio 3.1 TTS Next □ Todos os modelos □ Preços
Divulgação: Este artigo foi escrito com assistência de IA e revisado por EmpirioLabs IA.
