ตัวเลขที่บริษัทประกาศ
- TTS ราคา $0.36 ต่อ 10,000 ตัวอักษร ถ้าจะโคลนเสียงเพิ่ม $1.50 ต่อหนึ่งเสียง (StepFun pricing)
- ASR ราคา $0.24 ต่อชั่วโมงเสียง (StepFun pricing)
- Realtime, Gen, Music ให้ใช้ฟรีช่วงเวลาจำกัด (StepFun pricing)
- บริษัทอ้างว่า ASR ตัวใหม่ผิดพลาดเชิงบริบทแค่ 0.57% ลดลง 64.2% จาก StepAudio 2.5 ASR ที่เคยอยู่ที่ 1.59% (StepFun model page)
- คำศัพท์เฉพาะสายงานกว่า 20 สาย ผิดเฉลี่ย 3.81% (StepFun model page)
StepAudio 3 คืออะไร
- TTS คือโมเดลแปลงข้อความเป็นเสียงพูด ตัวนี้พูดเป็นธรรมชาติ มีหัวเราะ ลังเล แก้คำพูดตัวเองกลางประโยคได้ (StepFun docs)
- ASR คือโมเดลแปลงเสียงพูดเป็นตัวอักษร ตัว stepaudio-3-asr-max เป็น ASR ที่ใหญ่ที่สุดที่บริษัทนี้เคยทำ (StepFun docs)
- ทั้งชุดมีรายงานเทคนิคบน arXiv สองฉบับ แยกงาน TTS/Gen กับงาน Realtime (StepFun docs, arXiv)
ห้าโมเดลกับราคา
- stepaudio-3-tts แปลงข้อความเป็นเสียงพูด สตรีมได้ดีเลย์ต่ำ $0.36 ต่อ 10,000 ตัวอักษร (StepFun pricing)
- stepaudio-3-asr-max แปลงเสียงเป็นตัวอักษร $0.24 ต่อชั่วโมง เรียกผ่าน HTTP กับ SSE ได้ (StepFun docs)
- stepaudio-3-realtime-preview คุยเสียงสองทางพร้อมกัน คิดไปพลางพูดไปพลาง ทำ Voice Agent เรียกเครื่องมือได้ ฟรีช่วงจำกัด พอขึ้นเวอร์ชันเสียเงิน ชื่อ preview จะเลิกใช้ (StepFun docs)
- stepaudio-3-gen-preview สร้างเสียงพูด เอฟเฟกต์ เสียงบรรยากาศ ดนตรีประกอบ และเสียงร้องรวมในคลิปเดียวจากข้อความธรรมดา ฟรีช่วงจำกัด (StepFun docs)
- stepaudio-3-music-preview แต่งเพลงจากเนื้อร้อง ทำเพลงบรรเลง หรือเรียบเรียงจากเสียงร้องดิบ ฟรีช่วงจำกัด (StepFun docs)
- หน้าราคายังมี stepaudio-3-chat-preview โมเดลเข้าใจเสียงผ่าน Chat Completions ฟรีช่วงจำกัดเช่นกัน (StepFun pricing)
คะแนนที่สื่ออ้าง
- Sina Tech ลงข่าววันเดียวกันว่าบริษัทปล่อยห้าโมเดลพร้อมกัน (Sina 15 ก.ย.)
- ข่าวเปิดตัวอ้างคะแนน Artificial Analysis ว่า Realtime ได้ Conversational Dynamics 98.9% อันดับหนึ่ง (ตัวเลขที่บริษัทกับสื่ออ้าง ไม่ใช่การทดสอบของ linknu)
- ด้าน Speech Reasoning ได้อันดับหนึ่ง ส่วน ASR แบบไม่สตรีมมีอัตราผิดคำ 1.7% ร่วมอันดับหนึ่ง (ข้อมูลจากข่าวเปิดตัวเช่นกัน)
ภาษาที่รองรับ
- TTS กับ ASR รองรับจีน อังกฤษ ญี่ปุ่น เกาหลี ฝรั่งเศส สเปน ภาษานอกจีนกับอังกฤษยังเป็น preview (StepFun docs)
- Realtime รองรับจีนกับอังกฤษ (StepFun docs)
ลองได้ที่ไหน
- เข้าเว็บ Voice Studio ที่ audio.stepfun.ai เล่นได้เลยไม่ต้องเขียนโค้ด (Voice Studio)
- นักพัฒนาเรียก API ได้จากแพลตฟอร์มเปิดของบริษัท พร้อมเอกสารประกอบครบ (StepFun docs)
สรุป
StepAudio 3 รวมงานเสียงไว้ที่เดียว ทั้งพูด ฟัง คุยแบบเรียลไทม์ ไปจนถึงแต่งเพลง แถมหลายตัวให้ทดลองฟรีก่อน ใครทำพอดแคสต์คลิปหรือผู้ช่วยเสียง ลองแล้วค่อยเล่าให้เพื่อนฟังได้ว่าฝั่งจีนวิ่งเรื่องเสียงมาถึงไหน
แหล่ง: StepFun · 15 ก.ย. 2026