StepAudio 2.5 TTS

StepAudio 2.5 TTS là model text-to-speech của StepFun, truy cập qua API tại platform.stepfun.ai với giá $0.85/10.000 ký tự, hỗ trợ tiếng Anh và tiếng Trung. Điểm nổi bật là điều khiển giọng nói hoàn toàn bằng ngôn ngữ tự nhiên — mô tả cảm xúc, nhịp điệu, chỗ ngừng mà không cần tag hay cú pháp đặc biệt. Dùng Global Context để đặt tông giọng tổng thể cho cả đoạn, và Inline Context (đặt trong ngoặc đơn) để điều chỉnh từng câu riêng lẻ về cảm xúc, hơi thở, nhịp nghỉ. Zero-shot voice cloning cho phép nhân bản giọng người thật chỉ từ 3 giây audio tham chiếu. Mẹo hiệu quả: mô tả càng chi tiết phong cách nói ("nói chậm, giọng ấm áp, nhấn mạnh từ cuối") thì kết quả càng sát với ý muốn.