StepAudio 3 TTSとは?
StepAudio 3 TTSは、StepFunのStepAudio 3ファミリーのテキスト読み上げモデルです。このファミリーは2026年9月15日に公開された5つの音声モデルで、全二重の会話モデル、音声認識、汎用の音声生成、音楽生成も含みます。生成しながら音声をストリーミングし、笑い、息づかい、ためらい、言い直しを、取り除くべき雑音ではなく演技の一部として扱います。
内蔵の声は12種類で、StepAudio 2.5から引き継いだ7種類と新しい5種類です。話し方は500文字までの平易な指示文か、本文中のかっこ書きで指定でき、かっこ内は演技に反映されますが読み上げられません。声は参照音声からクローンするか、説明文から設計できます。英語と中国語は完全対応で、日本語、韓国語、フランス語、スペイン語はプレビュー段階です。
モデルはStepFunの中国向けと国際向けのプラットフォーム、およびEmpirioLabsなどのパートナーを通じたAPIでのみ提供されます。StepFunの以前のStep-Audio-TTS-3Bと異なり、重みは公開されていません。
StepAudio 3 TTSの料金は?
| プラン | 価格 | 内容 |
|---|---|---|
| Speech | $14 per 1M billable characters | 英字、数字、スペースは1、中国語は3、日本語は2.5として計算 |
| Voice cloning or design | $1.50 per voice | 声をライブラリに追加した時点で課金 |
2026年11月23日から課金対象の1M(100万)文字あたり$14です(公開時の料金は10,000文字あたり$0.36と報じられていました)。声のクローンまたは設計は1つにつき$1.50。中国語の文字は3文字、日本語は2.5文字として数えます。
StepAudio 3 TTSは使う価値があるか?
Artificial Analysisの音声アリーナの上位が欧米勢だけではなくなったのは、StepAudio 3 TTSがいるからです。1,307 Eloで3位につけ、ElevenLabsのEleven v4に33ポイント差まで迫り、CartesiaのSonic 3.6を上回ります。料金は100万文字あたり$14で、同じ表のEleven v4の$80、Sonic 3.6の$49を大きく下回ります。これほど安くこれほど良い音を出す音声モデルはあまりありません。
設計には、ためらいも人の話し方の一部だというStepFunの考えが表れています。一文で演技の仕方を伝えるか、かっこ書きでト書きを入れると、多くのシステムが削ってしまう息づかいや言い出しのつまずきを加えてくれます。銀行の保留メッセージよりも、ドラマ、解説動画、キャラクターの声に向いています。
注意点:周辺の仕組みが窮屈です。1リクエスト の上限は1,000文字なので、章は文単位に切り分けてつなぎ直す必要があり、出力は最大24 kHzです。6言語のうち4言語はプレビューです。課金では中国語1文字を3文字、日本語1文字を2.5文字と数えるので、表示価格は英語に有利です。料金そのものも変わっています。StepFunの料金ページでは2026年11月23日に料金が改定され、公開時の10,000文字あたり$0.36という数字が今も外部の比較サイトに残っています。
結論:予算を抑えた英語や標準中国語のナレーションなら、いま基準となる声です。長い一括リクエスト、高いサンプリングレート、幅広い言語対応が必要なチームは、浮いた費用を開発作業に使うことになります。
真価を発揮する場面
英語のオーディオドラマを作る2人のスタジオ
40,000語の台本に、台本どおりに聞こえない息づかい、間、ためらいを付けて声を当てる
台本を1,000文字未満のリクエストに分け、セリフごとにかっこ書きの演出を加えて音声をつなぎます。約240,000文字は100万文字あたり$14でおよそ$3.40です。
上海のeラーニング企業
クローンした講師の一貫した声で標準中国語の講義をナレーションする
講師の声を$1.50で一度クローンしてから講義を合成します。中国語は1文字が課金上3文字になるため、台本100万文字あたり約$42を見込んでください。
導入前に確認すること
- 導入
- OpenAI形式の/v1/audio/speechエンドポイントに、モデルstepaudio-3-tts、声、任意の指示を付けてPOSTします。非ストリーミングの応答では音声URLが返ります。
- 連携
- StepFunの国際向けと中国向けのプラットフォーム、EmpirioLabsによる再販。出力はmp3、wav、flac、opus、pcmで8〜24 kHz。
- データとプライバシー
- APIのみで、重みはありません。StepFunの料金ページと確認した資料には、音声とテキストの保持や学習利用についての記載がありません。顧客のコンテンツを送る前にプラットフォームの規約を確認してください。
- 大規模利用時のコスト
- 英語のナレーション1,000万文字は$140です。同じ長さの中国語テキストは3,000万文字として課金され、$420になります。
- 制限
- 1リクエスト1,000文字まで。48 kHzは受け付けられません。新規アカウントは同時リクエスト5件、毎分100リクエストから始まり、チャージの累計額に応じて上がります。
良い点
- Artificial Analysisのアリーナで1,307 Eloの3位
- 1M文字あたり$14で、Eleven v4の$80の5分の1未満
- 平易な言葉による演出指示と自然な息づかいやためらい
- 声のクローンまたは設計は$1.50
気になる点
- 1リクエスト1,000文字まで、最大24 kHz
- 日本語、韓 国語、フランス語、スペイン語はまだプレビュー
- 中国語は1文字3、日本語は2.5として課金
- 確認した資料には音声データの取り扱い条件の記載がない
おすすめの人
英語や標準中国語のナレーション、解説動画、キャラクターの対話を手がけ、文字単価の安さとトップに近い品質を求め、台本を短いリクエストに分けられる制作者。
StepAudio 3 TTSの代替
StepAudio 3 TTS:よくある質問
- StepAudio 3 TTSは使う価値があるか?
- 首位級の数分の1の料金で、リスナー評価ではトップに迫ります。ただし台本が短く、主に英語か中国語であることが条件です。 評価は5点満点中4.2点です。
- StepAudio 3 TTSの料金は?
- 2026年11月23日から課金対象の1M(100万)文字あたり$14です(公開時の料金は10,000文字あたり$0.36と報じられていました)。声のクローンまたは設計は1つにつき$1.50。中国語の文字は3文字、日本語は2.5文字として数えます。
- StepAudio 3 TTSの欠点は?
- 1リクエスト1,000文字まで、最大24 kHz; 日本語、韓国語、フランス語、スペイン語はまだプレビュー; 中国語は1文字3、日本語は2.5として課金; 確認した資料には音声データの取り扱い条件の記載がない.
- StepAudio 3 TTSは誰に向いているか?
- 英語や標準中国語のナレーション、解説動画、キャラクターの対話を手がけ、文字単価の安さとトップに近い品質を求め、台本を短いリクエストに分けられる制作者。
- チームや本番環境でStepAudio 3 TTSを使うと費用はいくらか?
- 英語のナレーション1,000万文字は$140です。同じ長さの中国語テキストは3,000万文字として課金され、$420になります。
- StepAudio 3 TTSは企業データを扱っても安全か?
- APIのみで、重みはありません。StepFunの料金ページと確認した資料には、音声とテキストの保持や学習利用についての記載がありません。顧客のコンテンツを送る前にプラットフォームの規約を確認してください。
- StepAudio 3 TTSの代わりになるものは?
- 当サイトでレビューした中で最も近い代替はEleven v4 and v4 Turbo, Cartesia Sonic 3.6, Qwen-Audio-3.1-TTS-Plus 、 Speechify Simba 3.5です。
回答確認日:2026年11月21日