stepaudio-2-asr-pro
Reconocimiento de voz (ASR) · StepFun
Endpoint: PUBLICACIÓN /v1/audio/transcriptions
Modo de solicitud: endpoint de transcripción OpenAI-compatible
Facturación: $0.2963 por hora de audio
Directorio de API de voz china
API de voz chinas para ASR y conversión de texto a voz.
Compara los modelos de reconocimiento y síntesis de voz disponibles con una sola ChinaAPI key. Cada modelo conserva su ruta de petición real. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 usan /v1/audio/speech. stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr usan /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts usan /v1/chat/completions con payloads de audio específicos de cada modelo.
Catálogo en vivo
11 modelos de voz, generados a partir de una única fuente de datos.
Los Model IDs, los modos de endpoint, las unidades de facturación, las capacidades y los precios mostrados proceden de scripts/models-data.json, cuyos precios de audio se concilian con el gateway de ChinaAPI. La tarifa de medios mostrada puede incluir un margen de servicio que cubre la facturación de entrada/salida del proveedor, el procesamiento de pagos, la exposición a contracargos y las operaciones. Cualquier margen está incluido en la tarifa mostrada y no se añade por separado. Consulte los precios en vivo antes del despliegue en producción.
mimo-v2.5-asr
Reconocimiento de voz (ASR) · Xiaomi
Endpoint: PUBLICACIÓN /v1/chat/completions
Modo de solicitud: Finalizaciones de chat con una carga útil input_audio
Facturación: $0.074 por hora de audio
mimo-v2.5-tts
Conversión de texto a voz (TTS) · Xiaomi
Endpoint: PUBLICACIÓN /v1/chat/completions
Modo de solicitud: Finalización de chats con mensajes más una configuración de salida de audio
Facturación: $0 por 10k caracteres
Precios de acceso gratuito por tiempo limitado; consulte los precios en tiempo real antes del lanzamiento de la producción.
stepaudio-2.5-tts
Conversión de texto a voz (TTS) · StepFun
Endpoint: PUBLICACIÓN /v1/audio/speech
Modo de solicitud: endpoint de voz OpenAI-compatible
Facturación: $0.85 por 10k caracteres
glm-tts
Conversión de texto a voz (TTS) · Zhipu AI
Endpoint: PUBLICACIÓN /v1/audio/speech
Modo de solicitud: endpoint de voz OpenAI-compatible
Facturación: $0.35 por 10k caracteres
qwen3-asr-flash
Reconocimiento de voz (ASR) · Alibaba
Endpoint: PUBLICACIÓN /v1/audio/transcriptions
Modo de solicitud: endpoint de transcripción OpenAI-compatible
Facturación: $0.126 por hora de audio
qwen3-tts-flash
Conversión de texto a voz (TTS) · Alibaba
Endpoint: PUBLICACIÓN /v1/audio/speech
Modo de solicitud: endpoint de voz OpenAI-compatible
Facturación: $0.11 por 10k caracteres
speech-2.8-hd
Conversión de texto a voz (TTS) · MiniMax
Endpoint: PUBLICACIÓN /v1/audio/speech
Modo de solicitud: endpoint de voz OpenAI-compatible
Facturación: $1 por 10k caracteres
speech-2.8-turbo
Conversión de texto a voz (TTS) · MiniMax
Endpoint: PUBLICACIÓN /v1/audio/speech
Modo de solicitud: endpoint de voz OpenAI-compatible
Facturación: $0.6 por 10k caracteres
step-tts-2
Conversión de texto a voz (TTS) · StepFun
Endpoint: PUBLICACIÓN /v1/audio/speech
Modo de solicitud: endpoint de voz OpenAI-compatible
Facturación: $0.4148 por 10k caracteres
stepaudio-2.5-asr
Reconocimiento de voz (ASR) · StepFun
Endpoint: PUBLICACIÓN /v1/audio/transcriptions
Modo de solicitud: endpoint de transcripción OpenAI-compatible
Facturación: $0.022 por hora de audio
Seleccionar por carga de trabajo
ASR para la comprensión del audio; TTS para la salida de voz.
Transcripción y comprensión de audio
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, en la que stepaudio-2.5-asr es la opción de velocidad y coste. Acepta archivos ogg, mp3 y wav; la transcripción generada no se factura.
Transcripción y comprensión de audio
mimo-v2.5-asr: Xiaomi MiMo-V2.5-ASR — reconocimiento de voz para chino, inglés, alternancia de código, dialectos regionales, grabaciones con ruido, audio de campo lejano, varios hablantes y letras de canciones.
Salida de voz controlable
mimo-v2.5-tts: Xiaomi MiMo-V2.5-TTS — síntesis de voz multilingüe expresiva con voces integradas, instrucciones de estilo en lenguaje natural y control de emoción, ritmo, tono, dialecto y personaje.
Salida de voz a través de una ruta dedicada
stepaudio-2.5-tts: StepAudio 2.5 TTS — síntesis de voz contextual con indicaciones en lenguaje natural dentro del texto, locución expresiva, voces integradas y salida de audio OpenAI-compatible.
Salida de voz a través de una ruta dedicada
glm-tts: GLM-TTS — síntesis de voz sensible al contexto con locución expresiva, salida en streaming, primer audio rápido y controles de voz, velocidad y volumen.
Transcripción y comprensión de audio
qwen3-asr-flash: Qwen3-ASR-Flash — transcripción multilingüe de archivos con indicaciones de idioma, normalización inversa de texto, reconocimiento de emociones y entrada de audio OpenAI-compatible.
Salida de voz a través de una ruta dedicada
qwen3-tts-flash: Qwen3-TTS-Flash — síntesis de voz multilingüe de baja latencia con entrada en varios idiomas mezclados, voces integradas, coincidencia automática de idioma y facturación por caracteres.
Salida de voz a través de una ruta dedicada
speech-2.8-hd: MiniMax Speech 2.8 HD — síntesis de voz de alta fidelidad con locución emocional natural, mejora de idioma, controles de voz y formatos de audio de producción.
Salida de voz a través de una ruta dedicada
speech-2.8-turbo: MiniMax Speech 2.8 Turbo — síntesis de voz centrada en la velocidad con salida natural, controles de emoción, mejora de idioma y formatos de audio de producción habituales.
Salida de voz a través de una ruta dedicada
step-tts-2: Step TTS 2 — síntesis de voz expresiva con voces oficiales y clonadas, control de velocidad y volumen, mapeo de pronunciación y múltiples formatos de salida.
Transcripción y comprensión de audio
stepaudio-2.5-asr: StepAudio 2.5 ASR — un modelo de transcripción en streaming MTP de 4B para reconocimiento rápido en chino e inglés, normalización ITN, subtítulos, reuniones y agentes de voz.
Límite de compatibilidad
OpenAI-compatible no significa una ruta de audio universal.
Los nombres de las rutas y los envoltorios de petición siguen patrones OpenAI-compatible, pero el cliente debe enviar los campos de audio que exige cada modelo. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 usan /v1/audio/speech. stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr usan /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts usan /v1/chat/completions con payloads de audio específicos de cada modelo.
Inicios rápidos
Copia la solicitud del modelo y el transporte que necesitas.
stepaudio-2-asr-pro
Reconocimiento de voz (ASR) mediante /v1/audio/transcriptions
curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-F "model=stepaudio-2-asr-pro" \
-F "[email protected]" \
-F "response_format=json"
mimo-v2.5-asr
Reconocimiento de voz (ASR) mediante /v1/chat/completions
AUDIO_BASE64=$(base64 < meeting.wav | tr -d '\n')
curl -X POST https://api.chinaapi.ai/v1/chat/completions \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mimo-v2.5-asr",
"messages": [{
"role": "user",
"content": [{
"type": "input_audio",
"input_audio": {"data": "data:audio/wav;base64,'"$AUDIO_BASE64"'"}
}]
}]
}'
mimo-v2.5-tts
Texto a voz (TTS) vía /v1/chat/completions
curl -X POST https://api.chinaapi.ai/v1/chat/completions \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mimo-v2.5-tts",
"messages": [
{"role": "user", "content": "Natural, clear, and friendly delivery"},
{"role": "assistant", "content": "Welcome to ChinaAPI. 欢迎使用语音模型。"}
],
"audio": {"format": "wav", "voice": "冰糖"}
}' > response.json
stepaudio-2.5-tts
Texto a voz (TTS) vía /v1/audio/speech
curl -X POST https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "stepaudio-2.5-tts",
"voice": "cixingnansheng",
"input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
"response_format": "mp3"
}' \
--output speech.mp3
glm-tts
Texto a voz (TTS) vía /v1/audio/speech
curl -X POST https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-tts",
"voice": "tongtong",
"input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
"response_format": "mp3"
}' \
--output speech.mp3
qwen3-asr-flash
Reconocimiento de voz (ASR) mediante /v1/audio/transcriptions
curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-F "model=qwen3-asr-flash" \
-F "[email protected]" \
-F "response_format=json"
qwen3-tts-flash
Texto a voz (TTS) vía /v1/audio/speech
curl -X POST https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-tts-flash",
"voice": "Cherry",
"input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
"response_format": "mp3"
}' \
--output speech.mp3
speech-2.8-hd
Texto a voz (TTS) vía /v1/audio/speech
curl -X POST https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "speech-2.8-hd",
"voice": "Chinese (Mandarin)_Warm_Bestie",
"input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
"response_format": "mp3"
}' \
--output speech.mp3
speech-2.8-turbo
Texto a voz (TTS) vía /v1/audio/speech
curl -X POST https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "speech-2.8-turbo",
"voice": "Chinese (Mandarin)_Warm_Bestie",
"input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
"response_format": "mp3"
}' \
--output speech.mp3
step-tts-2
Texto a voz (TTS) vía /v1/audio/speech
curl -X POST https://api.chinaapi.ai/v1/audio/speech \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "step-tts-2",
"voice": "cixingnansheng",
"input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
"response_format": "mp3"
}' \
--output speech.mp3
stepaudio-2.5-asr
Reconocimiento de voz (ASR) mediante /v1/audio/transcriptions
curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $CHINAAPI_API_KEY" \
-F "model=stepaudio-2.5-asr" \
-F "[email protected]" \
-F "response_format=json"
¿Todos los modelos de voz de ChinaAPI utilizan el mismo endpoint de audio?
No. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 usan /v1/audio/speech. stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr usan /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts usan /v1/chat/completions con payloads de audio específicos de cada modelo.
¿Cómo se facturan los modelos de voz?
stepaudio-2-asr-pro: $0.2963 por hora de audio; mimo-v2.5-asr: $0.074 por hora de audio; mimo-v2.5-tts: $0 por 10k caracteres; stepaudio-2.5-tts: $0.85 por 10k caracteres; glm-tts: $0.35 por 10k caracteres; qwen3-asr-flash: $0.126 por hora de audio; qwen3-tts-flash: $0.11 por 10k caracteres; speech-2.8-hd: $1 por 10k caracteres; speech-2.8-turbo: $0.6 por 10k caracteres; step-tts-2: $0.4148 por 10k caracteres; stepaudio-2.5-asr: $0.022 por hora de audio. La tarifa de medios mostrada puede incluir un margen de servicio que cubre la facturación de entrada/salida del proveedor, el procesamiento de pagos, el riesgo de contracargos y las operaciones. Cualquier margen ya está incluido en la tarifa mostrada y no se añade por separado. Estos valores se renderizan desde el catálogo de modelos, no se copian en esta página.
¿Puedo usar estos modelos sin una cuenta de China continental?
Sí. ChinaAPI permite el acceso sin necesidad de una cuenta o número de teléfono de China continental. Regístrese para obtener una clave y, a continuación, utilice la ruta y la carga útil exactas que se muestran para el modelo seleccionado.