类型
规格
价格
合成
每10,000字符
$0.14
StepAudio 3 TTS 与 Qwen Audio 3.0 TTS 并排比较：规格、能力、参数，以及 EmpirioLabs 目录中的实时价格。
StepFun 
Alibaba Cloud 音频生成StepFun 的 StepAudio 3 TTS 和 Alibaba Cloud 的 Qwen Audio 3.0 TTS 都属于音频生成类别，可通过 EmpirioLabs API 使用。
| 规格 | StepAudio 3 TTS | Qwen Audio 3.0 TTS |
|---|---|---|
| 模型 ID | stepaudio-3-tts | qwen-audio-3-0-tts |
| 开发方 | StepFun | Alibaba Cloud |
| 发布日期 | 2026年9月9日 | 2026年7月20日 |
| 输入 | 文本 | 文本 |
| 输出 | 音频 | 音频 |
| 区域 | International | Singapore |
| 端点 | POST /v1/audio/speech POST /v1/audio/speech:stream | POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices |
| 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 | StepAudio 3 TTS | Qwen Audio 3.0 TTS |
|---|---|---|
| input | 最大 1000 | 最大 20000 |
| voice | lively-girl, vibrant-youth, soft-spoken-gentleman, magnetic-v... 默认值: lively-girl | loongjameszhao, loongolivialin, loonglunawang, loongnorahu, l... 默认值: loongjameszhao |
| instruction | 最大 500 | 最大 128 |
| speed | 0.5 到 2 默认值: 1 | 0.5 到 2 默认值: 1 |
| volume | 0.1 到 2 默认值: 1 | 0 到 100 默认值: 50 |
| language | en, zh, ja, ko, fr, es 默认值: en | - |
| response_format | mp3, wav, flac, opus, pcm 默认值: mp3 | mp3, wav, pcm, opus 默认值: mp3 |
| sample_rate | 8000, 16000, 22050, 24000 默认值: 24000 | 8000, 16000, 22050, 24000, 44100, 48000 默认值: 24000 |
| markdown_filter | boolean 默认值: false | - |
| pronunciation_map | string | - |
| model_tier | - | plus, flash 默认值: plus |
| voice_audio_url | - | string |
| voice_id | - | string |
| pitch | - | 0.5 到 2 默认值: 1 |
| language_hints | - | zh, en |
| seed | - | 0 到 65535 默认值: 0 |
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。
StepAudio 3 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 stepaudio-3-tts 一起发送。 两个模型通过同一个端点调用。将 model 设为 stepaudio-3-tts 或 qwen-audio-3-0-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": "stepaudio-3-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。
StepAudio 3 TTS 发布更晚（2026年9月9日）；Qwen Audio 3.0 TTS 发布于 2026年7月20日。 仅 StepAudio 3 TTS 列出的能力：contextual tts, voice control。 仅 Qwen Audio 3.0 TTS 列出的能力：expressive prosody, emotion control, voice tags, dialect, low latency, voice cloning。 本页的规格、价格表和参数来自 EmpirioLabs 实时目录。
StepAudio 3 TTS 发布更晚（2026年9月9日）；Qwen Audio 3.0 TTS 发布于 2026年7月20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。
