Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

StepAudio 3 TTS

O modelo de voz da StepFun de setembro de 2026: terceiro na arena da Artificial Analysis a US$ 14 por milhão de caracteres, com direção em linguagem simples.

Análise de ReviewRamble editors · Atualizado

Visitar StepAudio 3 TTS Pague pelo uso

Compartilhe esta página:XLinkedInFacebookRedditWhatsAppE-mail

Nossa nota

4.2/5

Perto do topo dos rankings de ouvintes por uma fração do preço dos líderes, desde que seus roteiros sejam curtos e principalmente em inglês ou chinês.

O que é StepAudio 3 TTS?

O StepAudio 3 TTS é o membro de texto para fala da família StepAudio 3 da StepFun, cinco modelos de áudio lançados em 15 de setembro de 2026 junto com um modelo de conversa full-duplex, reconhecimento de fala, geração geral de áudio e música. Ele transmite a fala enquanto a gera e trata risadas, respirações, hesitações e autocorreções como parte de uma interpretação, e não como ruído a remover.

São doze vozes embutidas, sete herdadas do StepAudio 2.5 e cinco novas. A interpretação é definida por uma instrução em linguagem simples de até 500 caracteres, ou por uma indicação entre parênteses no texto, que é seguida mas nunca lida em voz alta. As vozes podem ser clonadas a partir de áudio de referência ou criadas a partir de uma descrição. Inglês e chinês têm suporte completo; japonês, coreano, francês e espanhol estão em prévia.

O modelo é só por API, pelas plataformas chinesa e internacional da StepFun e por parceiros como a EmpirioLabs. Nenhum peso foi publicado, ao contrário do antigo Step-Audio-TTS-3B da StepFun.

Quanto custa StepAudio 3 TTS?

PlanoPreçoO que inclui
Speech$14 per 1M billable charactersLetras, dígitos e espaços em inglês contam 1; chinês 3; japonês 2,5
Voice cloning or design$1.50 per voiceCobrado quando a voz é adicionada à biblioteca

US$ 14 por 1M de caracteres cobráveis a partir de 23 de novembro de 2026 (o preço de lançamento foi divulgado como US$ 0,36 por 10.000); clonar ou criar uma voz custa US$ 1,50 por voz. Caracteres chineses contam como 3 e japoneses como 2,5.

StepAudio 3 TTS vale a pena?

O StepAudio 3 TTS é a razão de o topo da arena de fala da Artificial Analysis não ser mais um assunto só do Ocidente. Ele está em terceiro, com 1.307 de Elo, 33 pontos atrás do Eleven v4 da ElevenLabs e à frente do Sonic 3.6 da Cartesia, a US$ 14 por milhão de caracteres, contra US$ 80 do Eleven v4 e US$ 49 do Sonic 3.6 na mesma tabela. Poucos modelos de voz soam tão bem por tão pouco.

O projeto reflete a visão da StepFun de que a hesitação faz parte de como as pessoas falam. Você diz como ele deve interpretar numa frase, ou coloca uma rubrica entre parênteses, e ele acrescenta as respirações e os falsos começos que a maioria dos sistemas apaga. Isso combina mais com dramaturgia em áudio, vídeos explicativos e vozes de personagens do que com a mensagem de espera de um banco.

O porém: a estrutura é estreita. Cada requisição tem limite de 1.000 caracteres, então um capítulo precisa ser cortado em pedaços do tamanho de uma frase e costurado de novo, e a saída vai no máximo a 24 kHz. Quatro dos seus seis idiomas estão em prévia. A cobrança conta um caractere chinês como três e um japonês como 2,5, então o preço de vitrine favorece o inglês. E o próprio preço mudou: a página de preços da StepFun altera as tarifas em 23 de novembro de 2026, e um valor de lançamento de US$ 0,36 por 10.000 ainda circula em rastreadores de terceiros.

Nossa opinião: para narração em inglês ou mandarim com orçamento apertado, esta agora é a voz a ser batida. Equipes que precisam de requisições longas, taxas de amostragem altas ou ampla cobertura de idiomas vão gastar a economia em engenharia.

Onde ele se destaca

  • Um estúdio de duas pessoas que faz radionovelas em inglês

    Dar voz a um roteiro de 40.000 palavras com respirações, pausas e hesitações que soem espontâneas

    Divida o roteiro em requisições de menos de 1.000 caracteres, acrescente rubricas entre parênteses em cada fala e junte o áudio. Cerca de 240.000 caracteres custam por volta de US$ 3,40 a US$ 14 por milhão.

  • Uma empresa de e-learning de Xangai

    Narrar aulas em mandarim com uma voz de professor clonada e consistente

    Clone o professor uma vez por US$ 1,50 e sintetize as aulas; considere no orçamento que cada caractere chinês conta como 3 caracteres cobráveis, cerca de US$ 42 por milhão de caracteres de roteiro.

Antes de decidir

Configuração
Faça POST para um endpoint /v1/audio/speech no estilo OpenAI com o modelo stepaudio-3-tts, uma voz e uma instrução opcional; respostas sem streaming devolvem uma URL de áudio.
Integrações
Plataformas internacional e chinesa da StepFun; revendido pela EmpirioLabs; saída em mp3, wav, flac, opus e pcm de 8 a 24 kHz.
Dados e privacidade
Só API, sem pesos. A página de preços da StepFun e a documentação que lemos não informam retenção nem uso para treinamento de áudio e texto; confira os termos da plataforma antes de enviar conteúdo de clientes.
Custo em escala
10 milhões de caracteres de narração em inglês custam US$ 140; o mesmo tamanho de texto em chinês é cobrado como 30 milhões de caracteres, US$ 420.
Limites
1.000 caracteres por requisição; 48 kHz é rejeitado. Contas novas começam com 5 requisições simultâneas e 100 requisições por minuto, que aumentam conforme o total recarregado.

O que é bom

  • Terceiro na arena da Artificial Analysis com 1.307 de Elo
  • US$ 14 por 1M de caracteres, menos de um quinto dos US$ 80 do Eleven v4
  • Direção em linguagem simples e respirações e hesitações naturais
  • Clonar ou criar uma voz custa US$ 1,50

O que não é

  • 1.000 caracteres por requisição, 24 kHz no máximo
  • Japonês, coreano, francês e espanhol ainda em prévia
  • Caracteres chineses são cobrados como 3 e japoneses como 2,5
  • Termos de tratamento do áudio não constam na documentação que lemos

Ideal para

Produtores de narração, vídeos explicativos e diálogos de personagens em inglês ou mandarim que querem qualidade quase de topo a um preço baixo por caractere e conseguem dividir roteiros em requisições curtas.

Alternativas ao StepAudio 3 TTS

StepAudio 3 TTS: perguntas frequentes

StepAudio 3 TTS vale a pena?
Perto do topo dos rankings de ouvintes por uma fração do preço dos líderes, desde que seus roteiros sejam curtos e principalmente em inglês ou chinês. Damos nota 4.2 de 5.
Quanto custa StepAudio 3 TTS?
US$ 14 por 1M de caracteres cobráveis a partir de 23 de novembro de 2026 (o preço de lançamento foi divulgado como US$ 0,36 por 10.000); clonar ou criar uma voz custa US$ 1,50 por voz. Caracteres chineses contam como 3 e japoneses como 2,5.
Quais são as desvantagens de StepAudio 3 TTS?
1.000 caracteres por requisição, 24 kHz no máximo; japonês, coreano, francês e espanhol ainda em prévia; caracteres chineses são cobrados como 3 e japoneses como 2,5; termos de tratamento do áudio não constam na documentação que lemos.
Para quem StepAudio 3 TTS é indicado?
Produtores de narração, vídeos explicativos e diálogos de personagens em inglês ou mandarim que querem qualidade quase de topo a um preço baixo por caractere e conseguem dividir roteiros em requisições curtas.
Quanto custa StepAudio 3 TTS para uma equipe ou em produção?
10 milhões de caracteres de narração em inglês custam US$ 140; o mesmo tamanho de texto em chinês é cobrado como 30 milhões de caracteres, US$ 420.
StepAudio 3 TTS é seguro para dados da empresa?
Só API, sem pesos. A página de preços da StepFun e a documentação que lemos não informam retenção nem uso para treinamento de áudio e texto; confira os termos da plataforma antes de enviar conteúdo de clientes.
Quais são as melhores alternativas ao StepAudio 3 TTS?
As alternativas mais próximas que analisamos são Eleven v4 and v4 Turbo, Cartesia Sonic 3.6, Qwen-Audio-3.1-TTS-Plus e Speechify Simba 3.5.

Respostas verificadas em 21 de nov. de 2026.

Você faz o StepAudio 3 TTS? Mostre esta nota no seu siteStepAudio 3 TTS com nota 4.2 de 5 no ReviewRamble