#语音合成

进入 语音合成，在文本输入区填写需要朗读的内容，并在 合成控制 中设置模型、格式和音色。完成设置后，可按所选条件生成语音。该功能适用于有声书、视频旁白、角色配音和客服播报等场景。

语音体验中心：https://www.stepfun.com/studio/audio?tab=tts

#模型选择

stepaudio-3-tts

• 发布时间：2026 年 9 月 15 日
• 模型特点：注重自然口语表达，在音色、语调、节奏和停顿上贴近真人说话；能够呈现笑声、迟疑、结巴、重复、改口等副语言表现，并根据语义调整情绪和语气。采用流式生成，可边生成边播放。
• 适用场景：实时对话中的语音输出、语音助手，以及对自然度和表现力要求较高的配音与有声内容创作。

stepaudio-2.5-tts

• 发布时间：2026 年 4 月 16 日
• 模型特点：支持通过自然语言设定整段语音的情绪基调、角色状态和场景氛围，也可在文本中细调语气、节奏、停顿与轻重。支持零样本音色复刻，官方说明约 3 秒参考音频即可复刻，复刻后的音色仍可进行情绪和风格控制。
• 适用场景：角色配音、有声书、短剧配音、广告旁白、情感叙事等需要精细控制声音表达的内容创作。

step-tts-2

• 发布时间：2026 年 3 月 1 日
• 模型特点：在 step-tts-mini 基础上强化情绪表现、风格控制和音色复刻能力。官方介绍内置 11 种情绪、17 种风格控制，支持粤语、四川话和日语；使用约 10 秒参考音频即可复刻音色，并能较好还原说话人的口音细节。
• 适用场景：短视频配音、情感陪聊、营销播报及直播带货等需要多种情绪和演绎风格的场景。

step-tts-mini

• 发布时间：2024 年 12 月 10 日
• 模型特点：支持文字转语音、情绪表达和风格控制，可输出中文、英文、日语、粤语和四川话；使用约 10 秒参考音频即可复刻音色，并对复刻后的声音进行情绪和风格调整。
• 适用场景：客服外呼、情感陪伴、智能助手语音交互、有声阅读及教育教学等。

step-tts-vivid

• 发布时间：2025 年 4 月 19 日
• 模型特点：以高真人感和语音拟真度为特色，注重语气、节奏及情绪表达的自然呈现，支持情绪感知与音色复刻。官方接口文档已标注该模型名称不再推荐使用，历史请求仍会继续支持。
• 适用场景：电话客服、智能语音助手、在线教育、有声读物、影视及短视频配音等。

各模型的表达控制方式不同，可参考下表选择：

#音色格式

在 音色 中选择 系统音色，可使用平台提供的声音；选择 我的音色，可查看当前模型下可用的个人音色。系统音色附有声音特点说明，便于根据角色和使用场景进行选择。在 格式 中，可选择 mp3 或 opus。需要查阅此前的合成记录时，可切换至 生成历史。

选择系统音色时，可参考以下对应关系：

#全局与局部控制

选择支持语境控制的模型（stepaudio-3-tts、stepaudio-2.5-tts）后，可在 全局控制 中使用自然语言描述整段语音的表达要求，包括语气、情绪、节奏和角色状态；需要调整某一句的表现时，再在正文相应位置添加括号提示。

通用模板

以下模板中，{} 内的内容为可替换变量，使用时根据实际需求填写。

以{语气或情绪基调}讲述，像{人物身份或说话场合}，语速{偏快／适中／偏慢}。
{需要强调的内容}适当加重，{需要避免的表达}，结尾{收束方式}。

① 知识科普旁白

适用于科普短视频、知识类音频，重点在于清晰和耐心。

全局控制：

以清晰、耐心的讲解语气朗读，像老师面对初学者，语速适中。
关键概念前稍作停顿并适当加重，整体平稳，避免夸张的播音腔。

朗读文本：

光从太阳出发，大约需要八分钟才能抵达地球。所以，我们此刻看到的阳光，其实是八分多钟以前发出的。

② 悬疑有声书

适用于悬疑、惊悚类故事，通过全局控制营造氛围，再用括号提示调整关键句。

全局控制：

压低声音，语气克制而紧张，像在深夜讲述一段亲身经历。
语速偏慢，句与句之间留出停顿，营造不安的氛围。

朗读文本：

走廊尽头的灯闪了一下，又灭了。（停顿）我听见身后有脚步声，很轻，很慢。（压低声音）可这层楼，明明只剩我一个人。

③ 品牌广告口播

适用于新品介绍、广告旁白，重点在于突出产品名称和卖点。

全局控制：

语气明亮、自信，带有亲和力，像在发布会现场介绍新品。
语速稍快，产品名称和核心卖点清晰有力，结尾干脆利落。

朗读文本：

一杯好咖啡，从一颗好豆子开始。山野咖啡，精选高海拔产区咖啡豆，每一口都是清晨的味道。

局部提示

对于 stepaudio-2.5-tts 和 stepaudio-3-tts，正文中括号内的内容会作为表达指令处理，默认不作为正文朗读。常见写法如下：

示例如下：

（轻声）别着急，我们还有时间。
（笑着说）准备好了就一起出发吧。
（深吸一口气）好，这次一定能行。
（语速放慢，一字一顿）这一次，绝对，不能再出错。
（忍着笑）你确定……这就是你说的“简单装修”？

使用全局控制与局部提示时，建议注意以下几点：

• 先整体后局部：先通过全局控制确定整段基调，试听后再针对个别句子添加括号提示。
• 避免指令冲突：全局设定为“平静、克制”时，局部不宜频繁加入“（大喊）”等相反提示，否则效果难以预期。
• 注意括号用途：括号中的文字默认不会读出。需要朗读的内容不应放在括号内，可改用引号、破折号等标点。
• 控制描述长度：描述宜简洁明确。开放平台接口中，stepaudio-2.5-tts 的全局指令上限为 200 字符，stepaudio-3-tts 为 500 字符，可作为撰写参考。

#语言设置

支持的语言随模型变化。stepaudio-3-tts 和 stepaudio-2.5-tts 的输入区域提示支持普通话、英文；step-tts-2 的输入区域还提示支持四川话俚语、粤语俚语和日文。使用 step-tts-2 时，可通过 音色调节 选择 情感控制、语种方言能力强化、语速 或 演绎风格。官方文档列出的相关选项如下，具体以实际可选项为准：

使用语种方言强化时，建议搭配 标准女声 或 标准男声，并输入对应语言的文本。文本宜采用该方言的常用表达，而非直接输入普通话句子。例如：

#示例参考

首次使用时，可从 你可以试试 示例区选择示例，了解不同场景的文本写法与表达方式。以 焦急抓狂（中文） 为例，全局控制 中的描述用于指定情绪、语速和语调，文本输入框中的内容为实际需要朗读的台词。两者配合，可呈现焦急、无奈并急于改变现状的情绪。

全局控制：

说话时满是抓狂和无奈，语速急促，语调忽高忽低，带着浓浓的疑惑和吐槽感，同时还有对当前混乱状况的焦虑，语气里透着急切，想要赶紧扭转这糟糕的局面。

朗读文本：

为什么啊！怎么每次都是一模一样的错误啊！这到底是搞什么名堂啊！不行不行，赶紧摆正姿势，再这么下去真要出问题了。

确认文本及合成设置后，选择 生成音频。生成完成后，可通过播放器试听结果。也可选择 好物安利（中文）、失望沟通（英文） 等示例，参考产品推荐、英文沟通等场景中的措辞与情绪表达。