StepAudio 3 Realtime API

关于 StepAudio 3 Realtime

语音输入，语音输出，通过一个插槽。回复中可中断，语音活动检测决定何时回复。

会话通过套接字的 session.update 事件配置，而非请求参数。

也称为 StepFun StepAudio 3 Realtime

StepAudio 3 Realtime 规格

模型 ID

stepaudio-3-realtime

开发方

StepFun

类别

音频生成

发布日期

2026年8月6日

上下文窗口

256K 个 token

最大输出

131,072 个 token

输入

音频文本

输出

音频文本

区域

International

端点

WEBSOCKET/v1/realtime

备用模型 ID

stepaudio-3-realtime-previewstepfun/stepaudio-3-realtime

StepAudio 3 Realtime API 价格

来自 EmpirioLabs 目录的实时按量计费价格。只为实际用量付费，没有月度最低消费。

如何调用 StepAudio 3 Realtime API

StepAudio 3 Realtime 通过 wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime 的 WebSocket 进行实时对话，而不是通过 HTTP 端点。使用模型 id stepaudio-3-realtime 连接，并在握手时将 EmpirioLabs API 密钥作为 Authorization: Bearer 请求头发送。音频以 base64 编码的 16 位 PCM 双向传输。 浏览器无法为 WebSocket 设置请求头，请从你的服务器发起该连接，再通过你自己的 socket 把音频转发给浏览器。 在EmpirioLabs 控制台获取 API 密钥。

import asyncio, json, os, websockets

async def main():
    async with websockets.connect(
        "wss://api.empiriolabs.ai/v1/realtime?model=stepaudio-3-realtime",
        additional_headers=[
            ("Authorization", f"Bearer {os.environ['EMPIRIOLABS_API_KEY']}"),
        ],
        max_size=None,
    ) as ws:
        print(json.loads(await ws.recv())["type"])  # session.created

        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {
                "type": "message",
                "role": "user",
                "content": [{"type": "input_text", "text": "Say hello."}],
            },
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        async for raw in ws:
            event = json.loads(raw)
            if event["type"] == "response.audio.delta":
                ...  # base64 audio chunk, append to your playback buffer
            elif event["type"] == "response.done":
                break

asyncio.run(main())

StepAudio 3 Realtime API 参数

EmpirioLabs 上 StepAudio 3 Realtime API 支持的请求参数。省略字段时使用默认值。

须知

通过 wss@api.empiriolabs.ai/v1/realtime？model=stepaudio-3-realtime 的 WebSocket 进行全双工语音，并用普通授权承载者头进行认证。音频输入输出为 pcm16。模型在说话时会监听，因此可以在回复中途被打断，服务器端的语音活动检测决定何时应答。在第一个音频之前设置语音 session.update;模型说完后无法更改语音，且仅接受列出的七个语音。对话仅支持中文和英语。每完成一回合就根据模型报告的使用情况单独计费。该模型处于预览阶段，其功能可能会有所变化。

StepAudio 3 Realtime API：常见问题

StepAudio 3 Realtime API 收费多少？

在 EmpirioLabs，StepAudio 3 Realtime 按量计费：输入 $1.50 每100万个提示词标记; 产出 $10.00 每100万个生成代币; 隐式缓存读取 $0.30 每 1M 缓存输入标记。本页的实时价格表始终与 API 的实际计费一致。

StepAudio 3 Realtime 的上下文窗口有多大？

StepAudio 3 Realtime 支持 256K token 的上下文窗口，每次响应最多 131,072 个输出 token。

StepAudio 3 Realtime 使用哪个端点？

StepAudio 3 Realtime 通过 api.empiriolabs.ai 上的 WEBSOCKET /v1/realtime 提供，使用标准的 Bearer 令牌认证。

集成之前可以在浏览器里试用 StepAudio 3 Realtime 吗？

打开EmpirioLabs Playground并点击 Start session，即可在浏览器中试用。StepAudio 3 Realtime 运行在 WebSocket 上，而不是一次请求一次响应，因此接入时请从实时语音快速入门开始。用 EmpirioLabs API 密钥和模型 id stepaudio-3-realtime 从你的服务器连接，然后双向流式传输音频。

如何获取 StepAudio 3 Realtime API 密钥？

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。