Síntese de fala em nível humano em seis idiomas, com 12 vozes de sistema, direção de entrega em linguagem natural e reprodução em streaming.
StepFunGeração de ÁudioLançado 9 de set. de 2026InternationalEndpoint proprietárioNovoSíntese de fala em nível humano em seis idiomas, com 12 vozes de sistema, direção de entrega em linguagem natural e reprodução em streaming.
A contagem de caracteres segue o preço do StepFun: um caractere chinês conta como um caractere, duas letras inglesas contam como um caractere, e dois sinais de pontuação contam como um caractere.
Também conhecido como StepFun StepAudio 3 TTS
stepaudio-3-tts/v1/audio/speechPOST/v1/audio/speech:streamstepfun/stepaudio-3-ttsTarifas pay-as-you-go ao vivo do catálogo EmpirioLabs. Você paga só pelo que usa, sem mínimo mensal.
StepAudio 3 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 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": "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)Parâmetros de requisição suportados pela API StepAudio 3 TTS na EmpirioLabs. Os padrões valem quando um campo é omitido.
| Parâmetro | Tipo | Padrão | Intervalo / valores | Descrição |
|---|---|---|---|---|
| input | string | - | máx. 1000 | Texto para sintetizar. Máximo 1.000 caracteres. O conteúdo entre parênteses é tratado como direção de entrega e não é falado. |
| voice | enum | lively-girl | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... | Voz para a fala gerada. |
| instruction | string | - | máx. 500 | Emoção global ou orientação de estilo para todo o texto, em linguagem natural. Máximo 500 caracteres. |
| speed | number | 1 | 0.5 a 2 | Velocidade da fala. |
| volume | number | 1 | 0.1 a 2 | Volume de saída. |
| language | enum | en | en, zh, ja, ko, fr, es | Idioma alvo. Japonês, coreano, francês e espanhol estão em prévia. |
| response_format | enum | mp3 | mp3, wav, flac, opus, pcm | Formato de áudio de saída. |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000 | Taxa de amostragem de saída em Hz. |
| markdown_filter | boolean | false | - | Remova a sintaxe Markdown da entrada antes que ela seja falada. |
| pronunciation_map | string | - | - | A pronúncia opcional substitui, como um objeto com um array tonal de regras "written/spoken". |
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.
Na EmpirioLabs, StepAudio 3 TTS é cobrado por uso: Síntese $0.36 por 10.000 caracteres. A tabela de tarifas ao vivo desta página sempre corresponde ao que a API cobra.
StepAudio 3 TTS é servido por POST /v1/audio/speech em api.empiriolabs.ai com autenticação padrão por token Bearer.
Sim. O playground da EmpirioLabs executa StepAudio 3 TTS no navegador com os mesmos parâmetros que a API expõe, para você testar prompts antes de escrever código.
Crie uma conta EmpirioLabs e gere uma chave em API Keys no painel. A cobrança usa créditos pay-as-you-go, então você paga apenas pelas requisições que faz.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.
