Entradas
Audio para comprensión/transcripción o texto para síntesis, utilizando el api_mode exacto del modelo seleccionado.
centro de capacidad de audio y voz
Audio API: comprensión y componentes básicos de la conversión de voz a voz
Utilice los modos de punto final de comprensión de audio verificados, ASR y TTS sin tratar todos los modelos de voz como intercambiables.
Contrato
Entradas, salidas y ciclo de vida.
Salidas
Análisis/transcripción de texto o audio generado; no se da por sentado un resultado de conversión directa de voz a voz a menos que así lo indiquen los metadatos del catálogo.
Punto final
Model-specific: /v1/chat/completions, /v1/audio/transcriptions, or /v1/audio/speech
Ciclo vital
Los puntos finales de audio enumerados son síncronos; un flujo de trabajo de voz a voz encadena la transcripción o la comprensión de audio a una solicitud TTS.
Tareas compatibles
Una definición por tarea.
comprensión de audio, transcripción, texto a voz
Límite: Una etiqueta TTS o ASR no prueba la comprensión directa del audio, la clonación de voz, la diarización o el soporte de voz a voz.
Catálogo correspondiente
12 modelos con metadatos explícitos.
Las funcionalidades desconocidas se omiten y nunca se deducen del nombre del modelo. Los ejemplos de precios utilizan datos públicos sincronizados; la información de precios de Dash en tiempo real sigue siendo la fuente autorizada.
stepaudio-2-asr-pro
StepFun StepAudio 2 ASR Pro — reconocimiento de voz de 32B parámetros, la opción que prioriza la precisión en la línea ASR de StepFun, mientras que stepaudio-2.5-asr es la opción de velocidad y coste. Acepta subidas ogg, mp3 y wav; la salida de la transcripción no se factura.
Tareas: transcripción
Punto final: POST /v1/audio/transcriptions
Ejemplo de costo: 1 horas de audio × $0.296296 = $0.296296.
stepaudio-2.5-chat
StepFun StepAudio 2.5 Chat — comprensión del habla de extremo a extremo que recibe audio o texto y devuelve texto, leyendo señales paralingüísticas como la vacilación y la risa en la propia forma de onda y no en una transcripción. Admite personalización de persona en carácter, hábitos de habla y rango emocional; el audio se envía como partes de contenido input_audio en los chat completions. Para respuestas habladas, usa un modelo TTS.
Tareas: comprensión de audio
Punto final: POST /v1/chat/completions
Ejemplo de costo: 1,000 tokens de entrada + 500 de salida ≈ $0.00325 con las tarifas sincronizadas.
mimo-v2.5-asr
Xiaomi MiMo-V2.5-ASR — reconocimiento de voz para chino, inglés, alternancia de códigos, dialectos regionales, grabaciones ruidosas, audio de campo lejano, múltiples hablantes y letras de canciones.
Tareas: transcripción
Punto final: POST /v1/chat/completions
Ejemplo de costo: 1 horas de audio × $0.074 = $0.074.
mimo-v2.5-tts
Xiaomi MiMo-V2.5-TTS — Síntesis de voz multilingüe expresiva con voces incorporadas, instrucciones de estilo de lenguaje natural, emoción, ritmo, tono, dialecto y control de caracteres.
Tareas: texto a voz
Punto final: POST /v1/chat/completions
Ejemplo de costo: 1 10k caracteres × $0 = $0.
stepaudio-2.5-tts
StepAudio 2.5 TTS — síntesis de voz contextual con dirección de lenguaje natural en línea, entrega expresiva, voces incorporadas y OpenAI-compatible salida de audio.
Tareas: texto a voz, clonación de voz
Punto final: POST /v1/audio/speech
Ejemplo de costo: 1 10.85k caracteres × $0.85 = $0.85.
glm-tts
Síntesis de voz sensible al contexto con entrega expresiva, salida en tiempo real, audio inicial rápido y GLM-TTS de voz, velocidad y volumen.
Tareas: texto a voz
Punto final: POST /v1/audio/speech
Ejemplo de costo: 1 10.15k caracteres × $0.35 = $0.35.
qwen3-asr-flash
Qwen3-ASR-Flash — Transcripción de archivos multilingües con sugerencias de idioma, normalización inversa de texto, reconocimiento de emociones y OpenAI-compatible entrada de audio.
Tareas: transcripción
Punto final: POST /v1/audio/transcriptions
Ejemplo de costo: 1 horas de audio × $0.126 = $0.126.
qwen3-tts-flash
Qwen3-TTS-Flash Síntesis de voz multilingüe de baja latencia con entrada en varios idiomas, voces integradas, coincidencia automática de idiomas y facturación basada en caracteres.
Tareas: texto a voz
Punto final: POST /v1/audio/speech
Ejemplo de costo: 1 10.4k caracteres × $0.11 = $0.11.
speech-2.8-hd
MiniMax Voz 2.8 HD: síntesis de voz de alta fidelidad con entrega emocional natural, mejora del lenguaje, controles de voz y formatos de audio de producción.
Tareas: texto a voz
Punto final: POST /v1/audio/speech
Ejemplo de costo: 1 10.123077k caracteres × $1 = $1.
speech-2.8-turbo
MiniMax Voz 2.8 Turbo: síntesis de voz centrada en la velocidad con salida natural, controles de emociones, mejora del lenguaje y formatos de audio de producción comunes.
Tareas: texto a voz
Punto final: POST /v1/audio/speech
Ejemplo de costo: 1 10.307692k caracteres × $0.6 = $0.6.
step-tts-2
Paso TTS 2 — síntesis de voz expresiva con voces oficiales y clonadas, control de velocidad y volumen, mapeo de pronunciación y múltiples formatos de salida.
Tareas: texto a voz, clonación de voz
Punto final: POST /v1/audio/speech
Ejemplo de costo: 1 10.538462k caracteres × $0.414815 = $0.414815.
stepaudio-2.5-asr
StepAudio 2.5 ASR — un 4B modelo de transcripción en streaming MTP para reconocimiento rápido chino-inglés, normalización ITN, subtítulos, reuniones y agentes de voz.
Tareas: transcripción
Punto final: POST /v1/audio/transcriptions
Ejemplo de costo: 1 horas de audio × $0.022 = $0.022.
Realice una prueba o calcule una estimación antes de registrarse.
Calcular el costo de la API · Generar una petición en curl, Python o JavaScript
Fuente y método: conjunto de datos público de precios de modelos, actualizado el 2026-09-28. Las limitaciones se indican arriba; las afirmaciones de terceros se mantienen junto a las páginas de los modelos que las citan.