Masukan
Audio untuk pemahaman/transkripsi, atau teks untuk sintesis, menggunakan api_mode yang tepat dari model yang dipilih.
pusat kemampuan audio-ucapan
Audio API: pemahaman dan blok bangunan komunikasi antar ucapan
Gunakan mode titik akhir pemahaman audio terverifikasi, ASR, dan TTS tanpa memperlakukan setiap model ucapan sebagai dapat saling menggantikan.
Kontrak
Masukan, keluaran, dan siklus hidup.
Keluaran
Analisis teks/transkrip atau audio yang dihasilkan; hasil ucapan langsung tidak tersirat kecuali metadata katalog menyatakan demikian.
Titik akhir
Model-specific: /v1/chat/completions, /v1/audio/transcriptions, or /v1/audio/speech
Siklus hidup
Endpoint audio yang tercantum bersifat sinkron; alur kerja ucapan ke ucapan menghubungkan transkripsi atau pemahaman audio ke permintaan TTS terpisah.
Tugas yang didukung
Satu definisi untuk setiap tugas.
pemahaman audio, transkripsi, teks ke ucapan
Membatasi: Label TTS atau ASR tidak membuktikan pemahaman audio secara langsung, kloning suara, diarization, atau dukungan ucapan ke ucapan.
Katalog yang cocok
12 model dengan metadata eksplisit.
Kemampuan yang tidak diketahui dihilangkan, tidak pernah ditebak dari nama model. Contoh harga menggunakan data publik yang disinkronkan; Harga Dash langsung tetap menjadi acuan utama.
stepaudio-2-asr-pro
StepFun StepAudio 2 ASR Pro — pengenalan ucapan 32B parameter, opsi yang mengutamakan akurasi dalam lini ASR StepFun, sementara stepaudio-2.5-asr adalah opsi kecepatan dan biaya. Menerima unggahan ogg, mp3, dan wav; keluaran transkrip tidak ditagih.
Tugas: transkripsi
Titik akhir: POST /v1/audio/transcriptions
Contoh biaya: 1 jam audio × $0.296296 = $0.296296.
stepaudio-2.5-chat
StepFun StepAudio 2.5 Chat — pemahaman ucapan ujung-ke-ujung yang menerima audio atau teks dan mengembalikan teks, membaca sinyal paralinguistik seperti keraguan dan tawa langsung dari gelombang suara, bukan dari transkrip. Mendukung penyesuaian persona pada karakter, kebiasaan bicara, dan rentang emosi; audio dikirim sebagai bagian konten input_audio pada chat completions. Untuk balasan lisan, gunakan model TTS.
Tugas: pemahaman audio
Titik akhir: POST /v1/chat/completions
Contoh biaya: 1,000 token input + 500 token output ≈ $0.00325 dengan tarif yang disinkronkan.
mimo-v2.5-asr
Xiaomi MiMo-V2.5-ASR — pengenalan suara untuk bahasa Mandarin, Inggris, peralihan kode, dialek regional, rekaman bising, audio jarak jauh, banyak pembicara, dan lirik.
Tugas: transkripsi
Titik akhir: POST /v1/chat/completions
Contoh biaya: 1 jam audio × $0.074 = $0.074.
mimo-v2.5-tts
Xiaomi MiMo-V2.5-TTS — sintesis ucapan multibahasa ekspresif dengan suara bawaan, instruksi bergaya bahasa alami, emosi, kecepatan, nada, dialek, dan kontrol karakter.
Tugas: teks ke ucapan
Titik akhir: POST /v1/chat/completions
Contoh biaya: 1 10k karakter × $0 = $0.
stepaudio-2.5-tts
StepAudio 2.5 TTS — sintesis ucapan kontekstual dengan arahan bahasa alami sebaris, penyampaian ekspresif, suara bawaan, dan keluaran audio OpenAI-compatible.
Tugas: teks ke ucapan, kloning suara
Titik akhir: POST /v1/audio/speech
Contoh biaya: 1 10.85k karakter × $0.85 = $0.85.
glm-tts
GLM-TTS — sintesis ucapan yang peka konteks dengan penyampaian ekspresif, output streaming, audio pertama yang cepat, dan kontrol untuk suara, kecepatan, dan volume.
Tugas: teks ke ucapan
Titik akhir: POST /v1/audio/speech
Contoh biaya: 1 10.15k karakter × $0.35 = $0.35.
qwen3-asr-flash
Qwen3-ASR-Flash — transkripsi berkas multibahasa dengan petunjuk bahasa, normalisasi teks terbalik, pengenalan emosi, dan OpenAI-compatible input audio.
Tugas: transkripsi
Titik akhir: POST /v1/audio/transcriptions
Contoh biaya: 1 jam audio × $0.126 = $0.126.
qwen3-tts-flash
Qwen3-TTS-Flash — Sintesis ucapan multibahasa latensi rendah dengan input bahasa campuran, suara bawaan, pencocokan bahasa otomatis, dan penagihan berbasis karakter.
Tugas: teks ke ucapan
Titik akhir: POST /v1/audio/speech
Contoh biaya: 1 10.4k karakter × $0.11 = $0.11.
speech-2.8-hd
MiniMax 2.8 — sintesis suara fidelitas tinggi dengan penyampaian emosi alami, peningkatan bahasa, kontrol suara, dan format audio produksi.
Tugas: teks ke ucapan
Titik akhir: POST /v1/audio/speech
Contoh biaya: 1 10.123077k karakter × $1 = $1.
speech-2.8-turbo
MiniMax 2.8 — sintesis suara yang berfokus pada kecepatan dengan keluaran alami, kontrol emosi, peningkatan bahasa, dan format audio produksi umum.
Tugas: teks ke ucapan
Titik akhir: POST /v1/audio/speech
Contoh biaya: 1 10.307692k karakter × $0.6 = $0.6.
step-tts-2
Langkah TTS 2 — sintesis ucapan ekspresif dengan suara resmi dan suara tiruan, kontrol kecepatan dan volume, pemetaan pengucapan, dan berbagai format keluaran.
Tugas: teks ke ucapan, kloning suara
Titik akhir: POST /v1/audio/speech
Contoh biaya: 1 10.538462k karakter × $0.414815 = $0.414815.
stepaudio-2.5-asr
StepAudio 2.5 ASR — sebuah model transkripsi streaming 4B untuk pengenalan bahasa Mandarin-Inggris yang cepat, normalisasi ITN, subtitle, rapat, dan agen suara.
Tugas: transkripsi
Titik akhir: POST /v1/audio/transcriptions
Contoh biaya: 1 jam audio × $0.022 = $0.022.
Lakukan simulasi atau estimasi sebelum pendaftaran.
Hitung biaya API · Buat permintaan curl, Python, atau JavaScript
Sumber dan metode: dataset publik harga model, diperbarui 2026-09-28. Keterbatasan sudah dinyatakan di atas; klaim pihak ketiga tetap menyertai halaman model yang mengutipnya.