简短回答： 同一书面描述， Qwen音频3.1 TTS Next 他完成了全部三句台词，没有任何舞台指示。 StepAudio 第三代 说出了它的文本 提示 按原文，它朗读舞台指示，并在第二句中途停下。StepAudio 3 Gen 以多扬声器格式呈现了场景，前两句台词的播放时间约为5秒，文件返回时间约为1分钟，成本远低于一半。两者均运行于EmpirioLabs。请听下面的每个片段;我们不宣布胜负。
场景
一个深夜广播录音室，背景播放着柔和的爵士乐。一位热情的男主持人说：“晚上好，欢迎回到《夜猫子》。我们的第一位来电者正在在线。”电话响了一次。一位开朗的女来电者说：“你好！我听了好多年了，终于接通了！”主持人笑着说：“嗯，我们很高兴你来了。”
听听结果
结果一览
| Qwen音频3.1 TTS Next | StepAudio 第三代，按原文编写 | StepAudio 3 Gen、角色与脚本 | |
|---|---|---|---|
| 制造者 | 阿里巴巴 | 步舞乐趣 | 步舞乐趣 |
| 终点 | /v1/audio/speech后 | /v1/audio/generations后 | /v1/audio/generations后 |
| 台词，共3句 | 3 | 1，然后是部分，舞台指示大声朗读 | 2 |
| 此请求的代价 | $0.0130 | $0.0051 | $0.0049 |
| 音频长度 | 18.0秒 | 18.9秒 | 15.9秒 |
| 完成文件的时间 | 63秒 | 大约6秒 | 大约5秒钟 |
| 计费单元 | 代币：输入描述，音频输出大约每秒200个代币 | 角色介绍 | 角色介绍 |
| 参考片段中的配音 | 最多3个 | 不可用 | 不可用 |
我们的运行方式
每个模型于2026年10月18日通过EmpirioLabs API获得了相同的书面场景，每个镜头，其他设置为默认。Qwen音频3.1转语音转语音Next对该场景的处理为 输入StepAudio 第三代则将其定义为 提示.StepAudio 3 Gen 为多扬声器场景记录了自己的格式，所以我们也用同样的方式发送了同样的场景：场景 教学，两个说话者在 角色，三行 剧本电话铃声用方括号表示，笑声用括号表示。我们通过用两种语音识别模型转录每个片段的台词，结果一致。价格是这些具体请求在当前速率下的成本。时间从发送请求到完成文件开始;StepAudio 3 Gen 会响应一个任务，时间是从创建到完成的。
值得关注的内容
舞台指示。 Qwen Audio 3.1 TTS Next将描述转化为场景本身。StepAudio 3 Gen会说出它所给出的文本，所以这个设定属于 教学 以及方括号内的声音提示。
房间。 聆听声音下的爵士乐、行间电话铃声、主持人的笑声，以及每个片段如何与演讲平衡这些声音。
速度和价格。 StepAudio 3 Gen 能在几秒钟内回放片段，价格远低于一半。Qwen Audio 3.1 TTS Next 只需大约一分钟，并且按其生成的音频计费，因此较长的场景成本更高。
对EmpirioLabs做同样的测试
curl https://api.empiriolabs.ai/v1/audio/speech \ -h “授权：持有人 $EMPIRIOLABS_API_KEY” \ -h “内容类型：application/json” \ -d '{ “model”：“qwen-audio-3-1-tts-next”，“输入”：“深夜广播录音室，背景播放柔和爵士乐。一位热情的男主持人说：”\晚上好，欢迎回到《夜猫子》。我们的第一位来电者正在在线。\“ 一个电话响了一次。一位开朗的女来电者说：”你好！我听了好多年了，终于接通了！“主持人笑着说：”嗯，我们很高兴你来了。“}”StepAudio 第三代，角色和脚本：
curl https://api.empiriolabs.ai/v1/audio/generations \ -h “授权：持有者 $EMPIRIOLABS_API_KEY” \ -h “内容类型：application/json” \ -d '{ “model”：“stepaudio-3-gen”，“instruction”：“深夜电台录音室，背景播放柔和爵士乐。”， “角色”： [ {“name”： “主持人”， “描述”：“一位温暖的男性电台主持人”}， {“name”： “来电者”， “描述”：“一位开朗的女来电者} ]， ”scripts“： [ {”speaker“： ”主持人“， ”短信“：”晚上好，欢迎回到夜猫子节目。我们的第一位来电者在线。“}， {”speaker“： ”来电者“， ”短信“：”[电话响一次] 嗨！我已经听了好多年，终于打通了！“， {”speaker“： ”host“， ”text“： ”（笑）我们很高兴你这么做了。“} ]}'StepAudio 3 Gen 回答了一份工作;阅读完成后的片段 快/v1/jobs/{job_id}.试试两者都试试 操场。 。 。.
常见问题解答
这些片段被剪辑或重录了吗？
不是。每个片段都是请求返回的第一个音频，未经编辑。第二个StepAudio 3世代片段是不同的请求，是模型文档格式中的同一场景，而不是第一次的重试。
为什么StepAudio 3世代会大声朗读描述？
StepAudio 3 世代会说出 提示 按原文内容。方括号或括号内的文字被视为声音提示或传达指示，而不是直接读出，所以第二个请求中的电话铃声和笑声并未被说出来。输入设置和音乐 教学。 。 。.
我应该用哪一个？
Qwen Audio 3.1 TTS Next 会用纯语言写成的场景，并能从参考片段中复制最多三个声音。StepAudio 3 Gen 如果台词和提示以其格式写出来，速度更快且成本更低。用你自己的场景来听这些片段。
试试看吧
游戏场 | 如何使用Qwen Audio 3.1 TTS Next API | 所有型号 | 定价
披露:这篇文章是在AI的协助下撰写的,并由EmpirioLabs AI审查.
