将对话、音效、环境音和背景音乐合成在一个书面场景的片段中。
字符计数遵循StepFun定价:一个汉字算一个字符,两个英文字母算一个字符,两个标点符号算一个字符。
也称为 StepFun StepAudio 3 Gen
stepaudio-3-gen/v1/audio/generationsstepaudio-3-gen-previewstepfun/stepaudio-3-gen来自我们已发布测试的输出,每个都链接到其来源文章。
来自 EmpirioLabs 目录的实时按量计费价格。也可以选择包含每周用量额度的套餐。
StepAudio 3 Gen 通过 POST /v1/audio/generations 运行。请求会立即返回 job_id;轮询 GET /v1/jobs/{job_id} 直到任务完成,再从结果中读取输出 URL。 在EmpirioLabs 控制台获取 API 密钥。
curl https://api.empiriolabs.ai/v1/audio/generations \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "stepaudio-3-gen",
"prompt": "Describe what you want StepAudio 3 Gen to generate."
}'curl https://api.empiriolabs.ai/v1/jobs/JOB_ID \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY"import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/generations",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={
"model": "stepaudio-3-gen",
"prompt": "Describe what you want StepAudio 3 Gen to generate.",
},
)
job = response.json()
# Generation runs as an async job. Poll until it completes.
import time
while True:
status = requests.get(
f"https://api.empiriolabs.ai/v1/jobs/{job['job_id']}",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
).json()
if status.get("status") in ("completed", "failed"):
print(status)
break
time.sleep(5)EmpirioLabs 上 StepAudio 3 Gen API 支持的请求参数。省略字段时使用默认值。
| 参数 | 类型 | 默认值 | 范围 / 值 | 描述 |
|---|---|---|---|---|
| prompt | string | - | - | 用文字说话,按原文阅读。用方括号包裹音效或音乐提示,括号内说明表达方向,并在教学中描述场景和背景音乐。 |
| instruction | string | - | 最大 500 | 全局指导,涵盖背景音乐和情感基调。最多500字符。 |
| roles | string | - | - | 可选的扬声器,作为带有姓名和语音描述的对象。所有姓名和描述加起来最多500字符。 |
| scripts | string | - | - | 可选的有序行,作为带有说话者和文本的对象。总字符上限为1000个字符。多说话场景请使用此代替提示。 |
| response_format | enum | mp3 | mp3, wav, flac, opus, pcm | 输出音频格式。 |
| sample_rate | enum | 24000 | 8000, 16000, 22050, 24000, 48000 | 输出采样率以Hz为单位。 |
| speed | number | 1 | 0.5 到 2 | 说话速度。 |
| volume | number | 1 | 0.1 到 2 | 输出音量。 |
| text_normalization | enum | standard | standard, enhanced | 数字、日期和符号的朗读方式。 |
一个完成的片段,包含语音台词、音效、环境音和背景音乐。提示和脚本中的文字按原文说:在指令中描述场景和背景音乐,用方括号包裹音效或音乐提示,括号内标注表达方向。发送提示词,或使用角色和脚本进行多扬声器控制。角色和指令各限制为500字符,脚本限制为1000字符。输出格式包括mp3、wav、flac、opus和PCM。该型号不支持参考语音和语音克隆功能。该型号处于预览阶段,功能可能会有所变化。
涵盖这个模型的公告、提示词测试和对比文章。
在 EmpirioLabs,StepAudio 3 Gen 按量计费:生成 $0.14 每10,000字符。也可以选择包含每周用量额度的套餐。本页的实时价格表始终与 API 的实际计费一致。
StepAudio 3 Gen 接受 文本 作为输入,并返回 音频。
StepAudio 3 Gen 通过 api.empiriolabs.ai 上的 POST /v1/audio/generations 提供,使用标准的 Bearer 令牌认证。
在请求中将 stepaudio-3-gen 作为 model 发送。备用 ID stepaudio-3-gen-preview, stepfun/stepaudio-3-gen 同样可用。
StepFun 于 2026年9月9日 发布了 StepAudio 3 Gen。
EmpirioLabs 上的 StepAudio 3 Gen 从 International 提供服务。
可以。EmpirioLabs Playground在浏览器中以与 API 相同的参数运行 StepAudio 3 Gen,你可以在写代码之前先测试提示词。
创建 EmpirioLabs 账户,然后在控制台的 API Keys生成密钥。计费使用按量付费的额度,只为实际发出的请求付费。也可以选择包含每周用量额度的套餐。