类型
规格
价格
输入
每100万个提示词标记
$2.60
输出
每100万个生成代币
$46.80
Gemini 3.8 Flash TTS 与 StepAudio 3 TTS 并排比较：规格、能力、参数，以及 EmpirioLabs 目录中的实时价格。
Google 
StepFun 音频生成Google 的 Gemini 3.8 Flash TTS 和 StepFun 的 StepAudio 3 TTS 都属于音频生成类别，可通过 EmpirioLabs API 使用。
| 规格 | Gemini 3.8 Flash TTS | StepAudio 3 TTS |
|---|---|---|
| 模型 ID | gemini-3-8-flash-tts | stepaudio-3-tts |
| 开发方 | StepFun | |
| 发布日期 | 2026年9月22日 | 2026年9月9日 |
| 输入 | 文本 | 文本 |
| 输出 | 音频 | 音频 |
| 区域 | - | International |
| 端点 | POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices | POST /v1/audio/speech POST /v1/audio/speech:stream |
| 能力 |
两个模型在 EmpirioLabs 目录中的实时价格。每张价格表始终与 API 的实际计费一致。
每个模型在 EmpirioLabs 上列出的请求参数，以及适用的可选值或范围。短横线表示该模型未列出此参数。
| 参数 | Gemini 3.8 Flash TTS | StepAudio 3 TTS |
|---|---|---|
| input | 最大 5000 | 最大 1000 |
| mode | single, multi 默认值: single | - |
| language | string | en, zh, ja, ko, fr, es 默认值: en |
| voice | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... 默认值: Charon | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... 默认值: lively-girl |
| voice_audio_url | string | - |
| voice_consent_audio_url | string | - |
| voice2 | Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callir... 默认值: Kore | - |
| speaker1_name | string 默认值: Speaker1 | - |
| speaker2_name | string 默认值: Speaker2 | - |
| output_format | WAV, MP3, OGG, ALAW, MULAW 默认值: WAV | - |
| speed | 0.25 到 2 默认值: 1 | 0.5 到 2 默认值: 1 |
| volume_gain | -96 到 16 默认值: 0 | - |
| sample_rate | 8000, 16000, 22050, 24000, 44100, 48000 默认值: 24000 | 8000, 16000, 22050, 24000 默认值: 24000 |
| style_prompt | string | - |
| instruction | - | 最大 500 |
| volume | - | 0.1 到 2 默认值: 1 |
<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>最大输入为1000个字符。括号内的内容被视为传递方向，不为口语。使用指令进行全局情感或风格指导，最多500字符。提供12种系统语音。识别语言包括中文、英语、日语、韩语、法语和西班牙语，预览中除中文和英语外还有其他语言。输出格式为mp3、wav、flac、opus和pcm，频率为8000、16000、22050或24000 Hz。Wav以完整文件形式返回，而非流式传输。该型号不支持voice_label。
Gemini 3.8 Flash TTS 通过 POST /v1/audio/speech 生成语音并返回可播放的音频。把要朗读的文本作为 input，连同模型 ID gemini-3-8-flash-tts 一起发送。 两个模型通过同一个端点调用。将 model 设为 gemini-3-8-flash-tts 或 stepaudio-3-tts。 在EmpirioLabs 控制台获取 API 密钥。
curl https://api.empiriolabs.ai/v1/audio/speech \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-3-8-flash-tts",
"input": "Welcome to EmpirioLabs. Your build just finished."
}' \
--output speech.mp3同时涵盖两个模型的提示词测试和对比实验。
Gemini 3.8 Flash TTS 发布更晚（2026年9月22日）；StepAudio 3 TTS 发布于 2026年9月9日。 仅 Gemini 3.8 Flash TTS 列出的能力：multi speaker, voice tags, streaming, voice cloning。 仅 StepAudio 3 TTS 列出的能力：contextual tts。 本页的规格、价格表和参数来自 EmpirioLabs 实时目录。
Gemini 3.8 Flash TTS 发布更晚（2026年9月22日）；StepAudio 3 TTS 发布于 2026年9月9日。
两个模型按不同的单位或档位计价，请比较本页的实时价格表。价格表始终与 API 的实际计费一致。
可以。两个模型都使用 POST /v1/audio/speech 和同一个 EmpirioLabs API 密钥，大多数集成只需更改 model 值即可切换。如果依赖某个模型特有的参数，请先查看本页的参数表。
可以。在 EmpirioLabs Playground 中分别打开两个模型，用 API 提供的参数对两者运行同一个提示词。
