StepAudio 3 Realtime vs StepAudio 2.5 Realtime

StepAudio 3 Realtime vs StepAudio 2.5 Realtime em resumo

StepAudio 3 Realtime e StepAudio 2.5 Realtime são modelos de StepFun na categoria Geração de Áudio, disponíveis pela API da EmpirioLabs.

Principais diferenças

• StepAudio 3 Realtime é o lançamento mais recente (6 de ago. de 2026); StepAudio 2.5 Realtime foi lançado em 16 de jul. de 2026.
• Os dois modelos têm uma janela de contexto de 256K tokens.

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: especificações

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: 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.

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: 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.

StepAudio 3 Realtime vs StepAudio 2.5 Realtime: limites e notas

StepAudio 3 Realtime

Voz full-duplex por WebSocket em wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime, autenticada com o cabeçalho comum Authorization Bearer. O áudio é pcm16 in e out. O modelo escuta enquanto fala, então pode ser interrompido no meio da resposta, e a detecção de atividade de voz do lado do servidor decide quando responder. Defina voz com session.update antes do primeiro áudio; não pode ser alterada depois que o modelo falou, e apenas as sete vozes listadas são aceitas. A conversa é apenas em chinês e inglês. Uma sessão é cobrada pela duração, desde a abertura até o fechamento, em segundos inteiros, com um segundo parcial contado como segundo completo. Este modelo está em prévia e suas capacidades podem mudar.

StepAudio 2.5 Realtime

Voz full-duplex por WebSocket em wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-2-5-realtime, autenticada com o cabeçalho comum Authorization Bearer. O áudio é pcm16 in e out. O modelo ouve enquanto fala, então pode ser interrompido no meio da resposta, e a detecção de atividade de voz do lado do servidor decide quando atender. Defina voz com session.update antes do primeiro áudio; não pode ser alterada depois que o modelo fala, e apenas as sete vozes listadas são aceitas. A conversa é apenas em chinês e inglês. Cada turno concluído é faturado separadamente pelo uso que o modelo reporta.

Como chamar StepAudio 3 Realtime e StepAudio 2.5 Realtime

StepAudio 3 Realtime mantém uma conversa ao vivo por um WebSocket em wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime, e não pelos endpoints HTTP. Conecte-se com o id de modelo stepaudio-3-realtime e envie sua chave de API da EmpirioLabs como cabeçalho Authorization: Bearer no handshake. O áudio trafega nos dois sentidos como PCM de 16 bits em base64. Um navegador não consegue definir cabeçalhos em um WebSocket, então abra esta conexão a partir do seu servidor e repasse o áudio ao navegador pelo seu próprio socket. Os dois modelos são chamados pelo mesmo endpoint. Defina model como stepaudio-3-realtime ou stepaudio-2-5-realtime. Obtenha uma chave de API no painel EmpirioLabs.

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 vs StepAudio 2.5 Realtime: perguntas frequentes

Qual é a diferença entre StepAudio 3 Realtime e StepAudio 2.5 Realtime?

StepAudio 3 Realtime é o lançamento mais recente (6 de ago. de 2026); StepAudio 2.5 Realtime foi lançado em 16 de jul. de 2026. Os dois modelos têm uma janela de contexto de 256K tokens. As especificações, as tabelas de tarifas e os parâmetros desta página vêm do catálogo ao vivo da EmpirioLabs.

Qual é mais recente, StepAudio 3 Realtime ou StepAudio 2.5 Realtime?

StepAudio 3 Realtime é o lançamento mais recente (6 de ago. de 2026); StepAudio 2.5 Realtime foi lançado em 16 de jul. de 2026.

Qual tem a tarifa mais baixa, StepAudio 3 Realtime ou StepAudio 2.5 Realtime?

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 StepAudio 3 Realtime e StepAudio 2.5 Realtime sem reconstruir minha integração?

Sim. Os dois modelos usam WEBSOCKET /v1/realtime 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.

Posso testar StepAudio 3 Realtime e StepAudio 2.5 Realtime no navegador antes de integrar?

Sim. Abra cada modelo no playground da EmpirioLabs e clique em Start session para testar no navegador.