Masukan
Berkas audio atau payload input_audio base64, tergantung api_mode model.
pusat kemampuan audio-ucapan
Konversi Ucapan ke Teks dan Transkripsi API
Bandingkan model transkripsi dan ASR berdasarkan mode titik akhir yang tepat, harga per jam audio, input, output transkrip, dan keterbatasan.
Kontrak
Masukan, keluaran, dan siklus hidup.
Keluaran
Transkrip teks atau respons transkripsi terstruktur.
Titik akhir
POST /v1/audio/transcriptions or POST /v1/chat/completions with input_audio, according to api_mode
Siklus hidup
Sinkron untuk mode titik akhir publik yang tercantum. Menyimpan transkrip dan menangani format file yang ditolak secara eksplisit.
Tugas yang didukung
Satu definisi untuk setiap tugas.
transkripsi
Membatasi: Ukuran file, durasi, diarisasi, stempel waktu, cakupan dialek, dan format yang diterima tidak diketahui kecuali tercantum secara eksplisit untuk model tersebut.
Katalog yang cocok
4 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.
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.
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.
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.