Qwen Audio 3.1 TTS vs StepAudio 3 TTS

Qwen Audio 3.1 TTS vs StepAudio 3 TTS em resumo

Qwen Audio 3.1 TTS de Alibaba Cloud e StepAudio 3 TTS de StepFun pertencem à categoria Geração de Áudio e estão disponíveis pela API da EmpirioLabs.

Principais diferenças

• Qwen Audio 3.1 TTS é o lançamento mais recente (23 de set. de 2026); StepAudio 3 TTS foi lançado em 9 de set. de 2026.
• Recursos indicados apenas para Qwen Audio 3.1 TTS: expressive prosody, emotion control, voice tags, low latency, streaming, realtime.
• Recursos indicados apenas para StepAudio 3 TTS: contextual tts, voice control.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: especificações

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: preços da API

Tarifas ao vivo do catálogo da EmpirioLabs para os dois modelos. Cada tabela de tarifas sempre corresponde ao que a API cobra.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: parâmetros da API

Parâmetros de requisição que cada modelo indica na EmpirioLabs, com os valores permitidos ou o intervalo quando houver. Um traço marca um parâmetro que o modelo não indica.

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: limites e notas

Qwen Audio 3.1 TTS

Vozes

• 19 vozes: 15 vozes em inglês e 4 vozes multilíngues. Emily, Luna, Eric e Luca têm sotaque britânico. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian e David têm sotaque americano. As vozes multilíngues longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 e xunanchuan_v3.1 leem chinês, inglês e outros idiomas.
• Todo ID de voz termina em _v3.1, por exemplo, Emily_v3.1.

Vozes personalizadas

• Defina voice para custom e passe voice_audio_url, uma URL https para 10 a 20 segundos de fala clara de um alto-falante.
• WAV, MP3, M4A, OGG, WEBM e FLAC são aceitos, até 15 MB. Grave em um ambiente silencioso, sem música ou outras vozes.
• A resposta inclui voice_id e voice_id_expires_at. Passe o voice_id como voice reutilizar a voz por 7 dias, no POST /v1/audio/speech, POST /v1/audio/speech:stream ou no socket em tempo real, onde session.update pega os mesmos campos e session.updated retorna o voice_id. Somente a conta que a criou pode usá-la.
• Cada conta pode conter 10 vozes personalizadas nesse modelo por vez.
• GET /v1/voices?model=qwen-audio-3-1-tts lista as vozes do modelo, incluindo suas vozes personalizadas com seus IDs. Adicione type=custom para listar apenas as vozes personalizadas.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts deleta uma voz personalizada, que libera seu lugar imediatamente.
• No Playground, defina Voz como Personalizado para usar uma voz salva novamente, copie o id dela ou delete-a.
• Criar, listar e excluir vozes personalizadas não cobra nada.

Direção de entrega

• instruction define emoção, tom, caráter, ritmo e estilo de fala em linguagem natural, até 1.000 caracteres.
• Tags inline dentro do texto alteram a entrega a partir desse ponto, por exemplo, [excited] ou [whispers], ou adicionam um som único como [laughing] ou [sighing]. A lista completa de tags está no parâmetro input.
• Entrada SSML não é suportada.

Limites de entrada

• Até 10.000 caracteres por pedido.
• language_hints viés a pronúncia para textos de línguas mistas.

Saída

• MP3, WAV, PCM ou Opus entre 8.000 e 48.000 Hz.
• POST /v1/audio/speech:stream envia trechos de áudio enquanto a fala é gerada.

Tempo real

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts pega texto enquanto ainda está sendo escrito e retorna o áudio conforme é gerado. Envie input_text_buffer.append eventos, depois input_text_buffer.commit ou session.finish para encerrar a sessão.
• O áudio chega em response.audio.delta eventos: PCM de 16 bits a 24.000 Hz por padrão, ou MP3 ou Opus. Defina as opções de voz, instrução, formato e outras com session.update; uma alteração se aplica a partir do próximo segmento.
• O texto é falado em segmentos que terminam nos limites das frases, e cada segmento termina com um evento response.done carregando seu uso.

Faturamento

• Tokens de entrada são o texto, e tokens de saída são o áudio gerado a 12,5 tokens por segundo.
• Velocidade e pitch mudam o comprimento do áudio renderizado, mas não os tokens faturados. Uma instrução que retarda a entrega adiciona tokens de saída.

StepAudio 3 TTS

A entrada máxima é de 1.000 caracteres. O conteúdo entre parênteses é tratado como direção de entrega e não é falado. Use instrução para emoção global ou orientação de estilo, até 500 caracteres. Doze vozes do sistema estão disponíveis. Os idiomas reconhecidos são chinês, inglês, japonês, coreano, francês e espanhol, com idiomas além do chinês e inglês em prévia. Os formatos de saída são mp3, wav, flac, opus e pcm em 8000, 16000, 22050 ou 24000 Hz. Wav é retornado como um arquivo completo em vez de transmitido. Este modelo não suporta voice_label.

Como chamar Qwen Audio 3.1 TTS e StepAudio 3 TTS

Qwen Audio 3.1 TTS gera fala por POST /v1/audio/speech e retorna áudio reproduzível. Envie o texto a ser falado em input com o id de modelo qwen-audio-3-1-tts. Os dois modelos são chamados pelo mesmo endpoint. Defina model como qwen-audio-3-1-tts ou stepaudio-3-tts. Obtenha uma chave de API no painel EmpirioLabs.

curl https://api.empiriolabs.ai/v1/audio/speech \
  -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen-audio-3-1-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: testes e guias

Testes de prompts e comparações que cobrem os dois modelos.

Guias Qwen Audio 3.1 TTS Plus vs Qwen Audio 3.1 TTS vs Gemini 2.5 Pro TTS vs StepAudio 3 TTS: uma narração Demos ao Qwen Audio 3.1 TTS Plus, Qwen Audio 3.1 TTS, Gemini 2.5 Pro TTS e StepAudio 3 TTS a mesma narração e direção,... Guias Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: um script Demos ao Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS e StepAudio 3 TTS o mesmo roteiro e direção de...

Qwen Audio 3.1 TTS vs StepAudio 3 TTS: perguntas frequentes

Qual é a diferença entre Qwen Audio 3.1 TTS e StepAudio 3 TTS?

Qwen Audio 3.1 TTS é o lançamento mais recente (23 de set. de 2026); StepAudio 3 TTS foi lançado em 9 de set. de 2026. Recursos indicados apenas para Qwen Audio 3.1 TTS: expressive prosody, emotion control, voice tags, low latency, streaming, realtime. Recursos indicados apenas para StepAudio 3 TTS: contextual tts, voice control. As especificações, as tabelas de tarifas e os parâmetros desta página vêm do catálogo ao vivo da EmpirioLabs.

Qual é mais recente, Qwen Audio 3.1 TTS ou StepAudio 3 TTS?

Qwen Audio 3.1 TTS é o lançamento mais recente (23 de set. de 2026); StepAudio 3 TTS foi lançado em 9 de set. de 2026.

Qual tem a tarifa mais baixa, Qwen Audio 3.1 TTS ou StepAudio 3 TTS?

Os dois modelos são tarifados em unidades ou níveis diferentes, então compare as tabelas de tarifas ao vivo desta página. Elas sempre correspondem ao que a API cobra.

Posso alternar entre Qwen Audio 3.1 TTS e StepAudio 3 TTS sem reconstruir minha integração?

Sim. Os dois modelos usam POST /v1/audio/speech com a mesma chave de API da EmpirioLabs, então a maioria das integrações alterna só mudando o valor model. Confira antes a tabela de parâmetros desta página se você depende de um parâmetro específico de um modelo.