StepAudio 3 Gen

StepAudio 3 Gen は StepFun の汎用音声生成モデルです。役柄、台詞、場面の説明を受け取り、会話とその他の音を組み合わせた音声クリップを生成します。同じ StepAudio 3 シリーズでも、Realtime、ASR、TTS、Music とは用途が異なるため、個別に評価する必要があります。

主な機能

公式デモでは、声のデザイン、会話、歌声、効果音、音楽、それらを混ぜた場面を紹介しています。技術報告は、ゼロショットの音声合成を含む統一的な音声生成の方法を説明しています。制作側にとっては、一つの声が魅力的かだけでなく、場面全体の意図が音で伝わるかが重要です。

例えば、雨の降る窓辺で二人が話し、小さな背景音楽が流れ、最後の台詞の後にドアが閉まる、という短い場面を試せます。これは評価用の案であり、当サイトが生成した作例や、厳密な同期を保証するものではありません。

想定する用途

動画、ゲーム、アニメ、ラジオドラマなどの制作者が、役柄の声や場面の雰囲気を試作する候補になります。一文だけのナレーションなら、専用 TTS サービスとの手間の比較も有効です。音楽を中心とする制作では、構成や編集性を別途確認し、同シリーズの Music 製品の能力と混同しないようにしましょう。

実用的な制作手順

短い脚本を用意し、登場人物、話し方、場面の出来事を分けて書きます。人物ごとの声質や感情を一貫させ、出来事の順番を明示してください。背景音については、会話を聞き取りやすく保つために、どの音を控えめにするかも指定します。

最初は一場面だけ生成し、台詞の欠落、話者の入れ替わり、不要な音、間の不自然さを確認します。修正は一度に一項目にすると、どの指示が役立ったか分かりやすくなります。同じ脚本で複数の出力を比較し、選んだファイルとプロンプトを一緒に保存しましょう。

長い作品に広げる前に、実際の映像へ合わせて確認してください。厳密なキューポイント、独立した音声トラック、特定の出力形式が必要なら、現在の API が対応するか先に調べます。音をまとめて生成できても、編集や品質確認が不要になるとは限りません。

利用方法と料金

2026 年 9 月 29 日の公式文書では、モデル ID は stepaudio-3-gen-preview、エンドポイントは POST /v1/audio/generate です。期間限定の無料プレビューとされ、無料期間の終了時にこの版を廃止し、正式な有料版を追加すると説明されています。永続的な無料枠や未確認の将来価格は掲載しません。接続前に公式 Voice Studio または文書で利用可否と課金条件を確認してください。

制約とよくある質問

公開重みモデルですか？ 今回、この版のダウンロード可能な重みとモデルライセンスは確認していません。論文やデモの公開だけでは、ローカル実行できるとは判断できません。

Realtime のランキングを Gen の評価に使えますか？ いいえ。対象の作業が異なるため、必要な Gen の出力を直接試すべきです。

音声編集者の作業をすべて代替できますか？ 納品要件に照らして確認が必要です。発音、音量、タイミング、場面間の一貫性を見直してください。当サイトは音質や成功率を独自に測定していません。

代替ツール

音声合成では ElevenLabs Turbo v2.5、音楽制作では MiniMax Music 3を比較候補にできます。音声 AI、モデル一覧、StepAudio の代替候補も参照してください。

次の一歩と出典

公式サンプル、モデル文書、技術報告を確認し、一つの短い場面を納品条件に沿って試しましょう。出典確認日：2026 年 9 月 29 日。