Was ist StepAudio 3 TTS?
StepAudio 3 TTS ist das Text-to-Speech-Mitglied von StepFuns Familie StepAudio 3, fünf Audiomodellen, die am 15. September 2026 veröffentlicht wurden, zusammen mit einem Vollduplex-Gesprächsmodell, Spracherkennung, allgemeiner Audiogenerierung und Musik. Es streamt Sprache schon während der Erzeugung und behandelt Lachen, Atmen, Zögern und Selbstkorrekturen als Teil einer Darbietung statt als Rauschen, das entfernt werden muss.
Es gibt zwölf eingebaute Stimmen, sieben aus StepAudio 2.5 übernommen und fünf neue. Die Sprechweise wird mit einer Anweisung in einfacher Sprache von bis zu 500 Zeichen festgelegt oder mit einer Regieanweisung in Klammern im Text, die umgesetzt, aber nie vorgelesen wird. Stimmen lassen sich aus Referenzaudio klonen oder aus einer Beschreibung entwerfen. Englisch und Chinesisch werden voll unterstützt; Japanisch, Koreanisch, Französisch und Spanisch sind in der Preview.
Das Modell gibt es nur per API über StepFuns chinesische und internationale Plattform sowie über Partner wie EmpirioLabs. Gewichte wurden nicht veröffentlicht, anders als beim älteren Step-Audio-TTS-3B von StepFun.
Was kostet StepAudio 3 TTS?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Speech | $14 per 1M billable characters | Englische Buchstaben, Ziffern und Leerzeichen zählen 1; Chinesisch 3; Japanisch 2,5 |
| Voice cloning or design | $1.50 per voice | Wird berechnet, wenn die Stimme der Bibliothek hinzugefügt wird |
14 $ pro 1M abrechenbare Zeichen ab dem 23. November 2026 (der Startpreis wurde mit 0,36 $ pro 10.000 angegeben); Klonen oder Entwerfen einer Stimme 1,50 $ pro Stimme. Chinesische Zeichen zählen als 3, japanische als 2,5.
Lohnt sich StepAudio 3 TTS?
StepAudio 3 TTS ist der Grund, warum die Spitze der Speech Arena von Artificial Analysis keine rein westliche Angelegenheit mehr ist. Es steht auf Platz drei mit 1.307 Elo, 33 Punkte hinter ElevenLabs' Eleven v4 und vor Cartesias Sonic 3.6, für 14 $ pro Million Zeichen, gegenüber 80 $ für Eleven v4 und 49 $ für Sonic 3.6 in derselben Tabelle. Wenige Sprachmodelle klingen so gut für so wenig Geld.
Das Design spiegelt StepFuns Sicht, dass Zögern dazugehört, wie Menschen sprechen. Du sagst ihm in einem Satz, wie es spielen soll, oder setzt eine Regieanweisung in Klammern, und es fügt die Atemzüge und Fehlstarts ein, die die meisten Systeme glattschleifen. Das passt eher zu Hörspielen, Erklärvideos und Figurenstimmen als zur Warteschleifenansage einer Bank.
Der Haken: Die Infrastruktur ist eng. Jede Anfrage ist auf 1.000 Zeichen begrenzt, ein Kapitel muss also in satzgroße Stücke geschnitten und wieder zusammengesetzt werden, und die Ausgabe endet bei 24 kHz. Vier der sechs Sprachen sind Previews. Die Abrechnung zählt ein chinesisches Zeichen als drei und ein japanisches als 2,5, der Listenpreis schmeichelt also dem Englischen. Und der Preis selbst hat sich bewegt: StepFuns Preisseite ändert die Tarife am 23. November 2026, und ein Startpreis von 0,36 $ pro 10.000 kursiert noch bei externen Preistrackern.
Unser Fazit: Für englische oder Mandarin-Erzählungen mit kleinem Budget ist das jetzt die Stimme, an der sich andere messen müssen. Teams, die lange Einzelanfragen, hohe Abtastraten oder breite Sprachabdeckung brauchen, geben die Ersparnis für Engineering aus.
Wo es sich lohnt
Ein Zwei-Personen-Studio für englischsprachige Hörspiele
Ein Skript mit 40.000 Wörtern vertonen, mit Atemzügen, Pausen und Zögern, die ungeprobt klingen
Teile das Skript in Anfragen unter 1.000 Zeichen, füge pro Zeile Regieanweisungen in Klammern hinzu und setze das Audio zusammen. Rund 240.000 Zeichen kosten bei 14 $ pro Million etwa 3,40 $.
Ein E-Learning-Unternehmen in Shanghai
Mandarin-Lektionen mit einer einheitlichen geklonten Lehrerstimme vertonen
Klone die Lehrkraft einmal für 1,50 $ und synthetisiere dann die Lektionen; plane ein, dass jedes chinesische Zeichen als 3 abrechenbare Zeichen zählt, etwa 42 $ pro Million Zeichen Skript.
Bevor du dich festlegst
- Einrichtung
- Sende per POST an einen OpenAI-artigen Endpunkt /v1/audio/speech mit dem Modell stepaudio-3-tts, einer Stimme und optionaler Anweisung; Antworten ohne Streaming liefern eine Audio-URL.
- Integrationen
- Internationale und chinesische Plattform von StepFun; Weiterverkauf über EmpirioLabs; Ausgabe als mp3, wav, flac, opus und pcm mit 8 bis 24 kHz.
- Daten und Datenschutz
- Nur API, keine Gewichte. StepFuns Preisseite und die von uns gelesene Dokumentation nennen weder Speicherung noch Trainingsnutzung von Audio und Text; prüfe die Plattformbedingungen, bevor du Kundeninhalte schickst.
- Kosten im großen Maßstab
- 10 Millionen Zeichen englischer Erzählung kosten 140 $; dieselbe Länge chinesischen Texts wird als 30 Millionen Zeichen abgerechnet, 420 $.
- Grenzen
- 1.000 Zeichen pro Anfrage; 48 kHz werden abgelehnt. Neue Konten starten mit 5 gleichzeitigen Anfragen und 100 Anfragen pro Minute, die mit dem gesamten Aufladebetrag steigen.
Was gut ist
- Platz drei in der Arena von Artificial Analysis mit 1.307 Elo
- 14 $ pro 1M Zeichen, weniger als ein Fünftel der 80 $ von Eleven v4
- Regie in einfacher Sprache und natürliche Atemzüge und Zögerer
- Eine Stimme zu klonen oder zu entwerfen kostet 1,50 $
Was nicht
- 1.000 Zeichen pro Anfrage, maximal 24 kHz
- Japanisch, Koreanisch, Französisch und Spanisch noch in der Preview
- Chinesische Zeichen werden als 3, japanische als 2,5 berechnet
- Bedingungen zum Umgang mit Audio nicht in der von uns gelesenen Dokumentation
Am besten für
Produzenten englischer oder Mandarin-Erzählungen, Erklärvideos und Figurendialoge, die nahezu Spitzenqualität zu einem niedrigen Zeichenpreis wollen und Skripte in kurze Anfragen teilen können.
Alternativen zu StepAudio 3 TTS
StepAudio 3 TTS: häufige Fragen
- Lohnt sich StepAudio 3 TTS?
- Nahe an der Spitze der Hörer-Ranglisten zu einem Bruchteil des Preises der Spitzenreiter, sofern deine Skripte kurz und überwiegend englisch oder chinesisch sind. Wir bewerten es mit 4.2 von 5.
- Was kostet StepAudio 3 TTS?
- 14 $ pro 1M abrechenbare Zeichen ab dem 23. November 2026 (der Startpreis wurde mit 0,36 $ pro 10.000 angegeben); Klonen oder Entwerfen einer Stimme 1,50 $ pro Stimme. Chinesische Zeichen zählen als 3, japanische als 2,5.
- Welche Nachteile hat StepAudio 3 TTS?
- 1.000 Zeichen pro Anfrage, maximal 24 kHz; Japanisch, Koreanisch, Französisch und Spanisch noch in der Preview; Chinesische Zeichen werden als 3, japanische als 2,5 berechnet; Bedingungen zum Umgang mit Audio nicht in der von uns gelesenen Dokumentation.
- Für wen eignet sich StepAudio 3 TTS?
- Produzenten englischer oder Mandarin-Erzählungen, Erklärvideos und Figurendialoge, die nahezu Spitzenqualität zu einem niedrigen Zeichenpreis wollen und Skripte in kurze Anfragen teilen können.
- Was kostet StepAudio 3 TTS für ein Team oder im Produktivbetrieb?
- 10 Millionen Zeichen englischer Erzählung kosten 140 $; dieselbe Länge chinesischen Texts wird als 30 Millionen Zeichen abgerechnet, 420 $.
- Ist StepAudio 3 TTS sicher für Firmendaten?
- Nur API, keine Gewichte. StepFuns Preisseite und die von uns gelesene Dokumentation nennen weder Speicherung noch Trainingsnutzung von Audio und Text; prüfe die Plattformbedingungen, bevor du Kundeninhalte schickst.
- Was sind die besten Alternativen zu StepAudio 3 TTS?
- Die nächsten Alternativen, die wir getestet haben, sind Eleven v4 and v4 Turbo, Cartesia Sonic 3.6, Qwen-Audio-3.1-TTS-Plus und Speechify Simba 3.5.
Antworten geprüft am 21. Nov. 2026.