# 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. - Canonical page: https://chinaapi.ai/es/audio-api/ - Human-readable page: https://chinaapi.ai/es/audio-api/ - Live pricing: https://dash.chinaapi.ai/pricing?lang=es&utm_source=chinaapi&utm_medium=markdown&utm_campaign=audio-api Utilice los modos de punto final de comprensión de audio verificados, ASR y TTS sin tratar todos los modelos de voz como intercambiables. [Prueba stepaudio-2-asr-pro](https://dash.chinaapi.ai/start?task=video-with-audio&model=stepaudio-2-asr-pro&lang=es&utm_source=chinaapi&utm_medium=capability&utm_campaign=audio-api) [Generar una solicitud](https://chinaapi.ai/tools/api-request-generator/) ## Entradas, salidas y ciclo de vida. ### Entradas Audio para comprensión/transcripción o texto para síntesis, utilizando el api_mode exacto del modelo seleccionado. ### 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 . ## Una definición por tarea. comprensión de audio **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. ## 14 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](https://chinaapi.ai/es/models/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:** Vídeo con audio, transcripción **Punto final:** `POST /v1/audio/transcriptions` **Ejemplo de costo:** 1 horas de audio × $0.35 = $0.35 . ### [step-asr](https://chinaapi.ai/es/models/step-asr/) StepFun step-asr — reconocimiento de voz de uso general que cubre chino, inglés y dialectos chinos, para transcripción, actas de reuniones, revisión de calidad de llamadas y búsqueda por voz. Acepta subidas ogg, mp3 y wav; la salida de la transcripción no se factura. **Tareas:** Vídeo con audio, transcripción **Punto final:** `POST /v1/audio/transcriptions` **Ejemplo de costo:** 1 horas de audio × $0.15 = $0.15 . ### [step-asr-1.1](https://chinaapi.ai/es/models/step-asr-1.1/) StepFun step-asr-1.1 — el reconocedor de uso general actualizado de la línea step-asr, que cubre chino, inglés y dialectos chinos. Acepta subidas ogg, mp3 y wav; la salida de la transcripción no se factura. **Tareas:** Vídeo con audio, transcripción **Punto final:** `POST /v1/audio/transcriptions` **Ejemplo de costo:** 1 horas de audio × $0.35 = $0.35 . ### [mimo-v2.5-asr](https://chinaapi.ai/es/models/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:** Vídeo con audio, transcripción **Punto final:** `POST /v1/chat/completions` **Ejemplo de costo:** 1 horas de audio × $0.074 = $0.074 . ### [mimo-v2.5-tts](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/chat/completions` **Ejemplo de costo:** 1 10k caracteres × $0 = $0 . ### [stepaudio-2.5-tts](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.85k caracteres × $0.85 = $0.85 . ### [glm-tts](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.307692k caracteres × $0.307692 = $0.307692 . ### [qwen3-asr-flash](https://chinaapi.ai/es/models/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:** Vídeo con audio, transcripción **Punto final:** `POST /v1/audio/transcriptions` **Ejemplo de costo:** 1 horas de audio × $0.123539 = $0.123539 . ### [qwen3-tts-flash](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.123077k caracteres × $0.123077 = $0.123077 . ### [speech-2.8-hd](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.538462k caracteres × $0.538462 = $0.538462 . ### [speech-2.8-turbo](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.307692k caracteres × $0.307692 = $0.307692 . ### [step-tts-2](https://chinaapi.ai/es/models/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:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.4k caracteres × $0.4 = $0.4 . ### [step-tts-mini](https://chinaapi.ai/es/models/step-tts-mini/) Step TTS Mini: síntesis de voz expresiva y rentable para chino, inglés, japonés, cantonés y sichuanés, con voces oficiales y clonadas. **Tareas:** vídeo con audio, conversión de texto a voz **Punto final:** `POST /v1/audio/speech` **Ejemplo de costo:** 1 10.15k caracteres × $0.15 = $0.15 . ### [stepaudio-2.5-asr](https://chinaapi.ai/es/models/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:** Vídeo con audio, 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 API costo](https://chinaapi.ai/tools/api-cost-calculator/) · [Genera código curl, Python o JavaScript.](https://chinaapi.ai/tools/api-request-generator/) · [Instalar la receta del agente Seedance 2](https://chinaapi.ai/agent-recipes/seedance-2/) Fuente y método: [conjunto de datos de precios de modelos públicos](https://chinaapi.ai/es/data/model-pricing/), actualizado 2026-08-08 . Las limitaciones se indican más arriba; las reclamaciones de terceros permanecen junto a las páginas del modelo que las citan. --- Markdown twin of https://chinaapi.ai/es/audio-api/ — generated from its canonical HTML by scripts/gen_localization_release.py. Full site reference: https://chinaapi.ai/llms-full.txt