Qu’est-ce que StepAudio 3 TTS ?
StepAudio 3 TTS est le membre synthèse vocale de la famille StepAudio 3 de StepFun, cinq modèles audio publiés le 15 septembre 2026 avec un modèle de conversation full-duplex, la reconnaissance vocale, la génération audio générale et la musique. Il diffuse la parole au fil de sa génération et traite les rires, respirations, hésitations et autocorrections comme faisant partie d'une interprétation plutôt que comme du bruit à éliminer.
Il propose douze voix intégrées, sept reprises de StepAudio 2.5 et cinq nouvelles. L'interprétation se règle par une consigne en langage courant de 500 caractères au plus, ou par une indication entre parenthèses dans le texte, jouée mais jamais lue à voix haute. Les voix peuvent être clonées à partir d'un audio de référence ou conçues à partir d'une description. L'anglais et le chinois sont pleinement pris en charge ; le japonais, le coréen, le français et l'espagnol sont en préversion.
Le modèle n'est accessible que par API, via les plateformes chinoise et internationale de StepFun et des partenaires comme EmpirioLabs. Aucun poids n'a été publié, contrairement à l'ancien Step-Audio-TTS-3B de StepFun.
Combien coûte StepAudio 3 TTS ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Speech | $14 per 1M billable characters | Lettres, chiffres et espaces en anglais comptent pour 1 ; chinois 3 ; japonais 2,5 |
| Voice cloning or design | $1.50 per voice | Facturé à l'ajout de la voix à la bibliothèque |
14 $ par 1M de caractères facturables à partir du 23 novembre 2026 (le prix de lancement était annoncé à 0,36 $ les 10 000) ; clonage ou conception de voix à 1,50 $ par voix. Les caractères chinois comptent pour 3, les japonais pour 2,5.
StepAudio 3 TTS vaut-il le coup ?
StepAudio 3 TTS explique pourquoi le haut de l'arène vocale d'Artificial Analysis n'est plus une affaire uniquement occidentale. Il est troisième, avec 1 307 Elo, 33 points derrière Eleven v4 d'ElevenLabs et devant Sonic 3.6 de Cartesia, à 14 $ le million de caractères, contre 80 $ pour Eleven v4 et 49 $ pour Sonic 3.6 dans le même tableau. Peu de modèles vocaux sonnent aussi bien pour si peu.
Sa conception reflète l'idée de StepFun selon laquelle l'hésitation fait partie de la façon dont on parle. Vous lui dites comment jouer en une phrase, ou glissez une didascalie entre parenthèses, et il ajoute les respirations et faux départs que la plupart des systèmes gomment. Cela convient mieux à la fiction audio, aux vidéos explicatives et aux voix de personnages qu'au message d'attente d'une banque.
Le hic : l'outillage est étroit. Chaque requête est limitée à 1 000 caractères, donc un chapitre doit être découpé en morceaux de la taille d'une phrase puis recousu, et la sortie plafonne à 24 kHz. Quatre de ses six langues sont en préversion. La facturation compte un caractère chinois pour trois et un japonais pour 2,5, si bien que le prix affiché flatte l'anglais. Et le prix lui-même a bougé : la page tarifaire de StepFun change les tarifs le 23 novembre 2026, et un chiffre de lancement de 0,36 $ les 10 000 circule encore sur des sites de suivi tiers.
Notre avis : pour de la narration en anglais ou en mandarin à petit budget, c'est désormais la voix à battre. Les équipes qui ont besoin de longues requêtes uniques, de fréquences d'échantillonnage élevées ou d'une large couverture linguistique dépenseront l'économie en ingénierie.
Là où il fait la différence
Un studio de deux personnes qui produit de la fiction audio en anglais
Doubler un script de 40 000 mots avec des respirations, pauses et hésitations qui sonnent naturelles
Découpez le script en requêtes de moins de 1 000 caractères, ajoutez des didascalies entre parenthèses à chaque réplique et assemblez l'audio. Environ 240 000 caractères coûtent environ 3,40 $ à 14 $ le million.
Une entreprise d'e-learning de Shanghai
Narrer des leçons en mandarin avec une voix d'enseignant clonée et constante
Clonez l'enseignant une fois pour 1,50 $, puis synthétisez les leçons ; prévoyez que chaque caractère chinois compte pour 3 caractères facturables, soit environ 42 $ par million de caractères de script.
Avant de vous engager
- Mise en route
- Envoyez un POST à un endpoint /v1/audio/speech de type OpenAI avec le modèle stepaudio-3-tts, une voix et une consigne facultative ; les réponses sans streaming renvoient une URL audio.
- Intégrations
- Plateformes internationale et chinoise de StepFun ; revendu par EmpirioLabs ; sortie mp3, wav, flac, opus et pcm de 8 à 24 kHz.
- Données et confidentialité
- API uniquement, pas de poids. La page tarifaire de StepFun et la documentation consultée n'indiquent ni la conservation ni l'usage pour l'entraînement de l'audio et du texte ; vérifiez les conditions de la plateforme avant d'envoyer des contenus clients.
- Coût à grande échelle
- 10 millions de caractères de narration en anglais coûtent 140 $ ; la même longueur de texte chinois est facturée comme 30 millions de caractères, soit 420 $.
- Limites
- 1 000 caractères par requête ; 48 kHz refusé. Les nouveaux comptes démarrent à 5 requêtes simultanées et 100 requêtes par minute, relevées selon le total rechargé.
Les points forts
- Troisième dans l'arène d'Artificial Analysis avec 1 307 Elo
- 14 $ par 1M de caractères, moins d'un cinquième des 80 $ d'Eleven v4
- Direction en langage courant, respirations et hésitations naturelles
- Cloner ou concevoir une voix coûte 1,50 $
Les points faibles
- 1 000 caractères par requête, 24 kHz au maximum
- Japonais, coréen, français et espagnol encore en préversion
- Les caractères chinois sont facturés 3, les japonais 2,5
- Conditions de traitement de l'audio absentes de la documentation consultée
Idéal pour
Les producteurs de narration, de vidéos explicatives et de dialogues de personnages en anglais ou en mandarin qui veulent une qualité proche du sommet à bas prix par caractère et peuvent découper leurs scripts en courtes requêtes.
Alternatives à StepAudio 3 TTS
StepAudio 3 TTS : questions fréquentes
- StepAudio 3 TTS vaut-il le coup ?
- Près du sommet des classements d'auditeurs pour une fraction du prix des leaders, à condition que vos scripts soient courts et surtout en anglais ou en chinois. Nous lui donnons 4.2 sur 5.
- Combien coûte StepAudio 3 TTS ?
- 14 $ par 1M de caractères facturables à partir du 23 novembre 2026 (le prix de lancement était annoncé à 0,36 $ les 10 000) ; clonage ou conception de voix à 1,50 $ par voix. Les caractères chinois comptent pour 3, les japonais pour 2,5.
- Quels sont les inconvénients de StepAudio 3 TTS ?
- 1 000 caractères par requête, 24 kHz au maximum; japonais, coréen, français et espagnol encore en préversion; les caractères chinois sont facturés 3, les japonais 2,5; conditions de traitement de l'audio absentes de la documentation consultée.
- À qui s’adresse StepAudio 3 TTS ?
- Les producteurs de narration, de vidéos explicatives et de dialogues de personnages en anglais ou en mandarin qui veulent une qualité proche du sommet à bas prix par caractère et peuvent découper leurs scripts en courtes requêtes.
- Combien coûte StepAudio 3 TTS pour une équipe ou en production ?
- 10 millions de caractères de narration en anglais coûtent 140 $ ; la même longueur de texte chinois est facturée comme 30 millions de caractères, soit 420 $.
- StepAudio 3 TTS est-il sûr pour les données de l’entreprise ?
- API uniquement, pas de poids. La page tarifaire de StepFun et la documentation consultée n'indiquent ni la conservation ni l'usage pour l'entraînement de l'audio et du texte ; vérifiez les conditions de la plateforme avant d'envoyer des contenus clients.
- Quelles sont les meilleures alternatives à StepAudio 3 TTS ?
- Les alternatives les plus proches que nous avons testées sont Eleven v4 and v4 Turbo, Cartesia Sonic 3.6, Qwen-Audio-3.1-TTS-Plus et Speechify Simba 3.5.
Réponses vérifiées le 21 nov. 2026.