오디오 API: 이해 및 음성 간 변환 구성 요소

입력값

이해/전사를 위한 오디오 또는 합성을 위한 텍스트는 선택한 모델의 정확한 api_mode 값을 사용합니다.

출력

텍스트 분석/전사본 또는 생성된 오디오입니다. 카탈로그 메타데이터에 명시되지 않는 한 직접적인 음성 대 음성 변환 결과는 포함되지 않습니다.

엔드포인트

Model-specific: /v1/chat/completions, /v1/audio/transcriptions, or /v1/audio/speech

생명주기

나열된 오디오 엔드포인트는 동기식입니다. 음성 대 음성 워크플로는 전사 또는 오디오 이해를 별도 TTS 요청에 연결합니다.

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro — 32B 파라미터 음성 인식 모델로, StepFun ASR 라인에서 정확도 우선 옵션이며 stepaudio-2.5-asr는 속도·비용 우선 옵션입니다. ogg, mp3, wav 업로드를 지원하며 전사 출력은 과금되지 않습니다.

작업: 음성 전사

엔드포인트: POST /v1/audio/transcriptions

비용 예시: 1 오디오 시간 × $0.296296 = $0.296296.

stepaudio-2.5-chat

StepFun StepAudio 2.5 Chat — 오디오 또는 텍스트를 입력받아 텍스트를 반환하는 엔드투엔드 음성 이해 모델입니다. 머뭇거림이나 웃음 같은 준언어적 신호를 전사가 아니라 파형 자체에서 읽어 냅니다. 캐릭터, 말버릇, 감정 범위에 걸친 페르소나 커스터마이징을 지원하며, 오디오는 chat completions의 input_audio 콘텐츠 파트로 전달합니다. 음성 응답이 필요하면 TTS 모델을 사용하세요.

작업: 오디오 이해

엔드포인트: POST /v1/chat/completions

비용 예시: 입력 1,000 토큰 + 출력 500 토큰 ≈ $0.00325(동기화된 요금 기준).

mimo-v2.5-asr

Xiaomi MiMo-V2.5-ASR — 중국어, 영어, 코드 스위칭, 지역 방언, 잡음이 섞인 녹음, 원거리 오디오, 다중 화자 및 가사에 대한 음성 인식 기능을 제공합니다.

작업: 음성 전사

엔드포인트: POST /v1/chat/completions

비용 예시: 1 오디오 시간 × $0.074 = $0.074.

mimo-v2.5-tts

Xiaomi 내장 음성, 자연어 스타일의 지시, 감정, 속도, 어조, 방언 및 문자 제어 MiMo-V2.5-TTS 을 갖춘 표현력 풍부한 다국어 음성 합성 기능.

작업: 텍스트 음성 변환

엔드포인트: POST /v1/chat/completions

비용 예시: 1 10k 문자 × $0 = $0.

stepaudio-2.5-tts

StepAudio 인라인 자연어 지시, 표현력 있는 전달, 내장 음성 및 OpenAI-compatible 출력 2.5 갖춘 TTS 기반 음성 합성.

작업: 텍스트 음성 변환, 음성 복제

엔드포인트: POST /v1/audio/speech

비용 예시: 1 10.85k 문자 × $0.85 = $0.85.

glm-tts

GLM-TTS 상황 인식 음성 합성, 표현력 있는 전달, 스트리밍 출력, 빠른 초기 오디오 재생, 음성, 속도 및 볼륨 제어 기능을 제공합니다.

작업: 텍스트 음성 변환

엔드포인트: POST /v1/audio/speech

비용 예시: 1 10.15k 문자 × $0.35 = $0.35.

qwen3-asr-flash

Qwen3-ASR-Flash — 언어 힌트, 역텍스트 정규화, 감정 인식 및 OpenAI-compatible 오디오 입력을 지원하는 다국어 파일 전사 기능입니다.

작업: 음성 전사

엔드포인트: POST /v1/audio/transcriptions

비용 예시: 1 오디오 시간 × $0.126 = $0.126.

qwen3-tts-flash

Qwen3-TTS-Flash 저지연 다국어 음성 합성, 혼합 언어 입력, 내장 음성, 자동 언어 매칭 및 문자 기반 청구 기능을 제공합니다.

작업: 텍스트 음성 변환

엔드포인트: POST /v1/audio/speech

비용 예시: 1 10.4k 문자 × $0.11 = $0.11.

speech-2.8-hd

MiniMax Speech 2.8 HD — 자연스러운 감정 전달, 언어 향상, 음성 제어 및 프로덕션 오디오 형식을 지원하는 고음질 음성 합성 기능입니다.

작업: 텍스트 음성 변환

엔드포인트: POST /v1/audio/speech

비용 예시: 1 10.123077k 문자 × $1 = $1.

speech-2.8-turbo

MiniMax 2.8 — 자연스러운 출력, 감정 제어, 언어 향상 및 일반적인 프로덕션 오디오 형식을 지원하는 속도 중심의 음성 합성 기능입니다.

작업: 텍스트 음성 변환

엔드포인트: POST /v1/audio/speech

비용 예시: 1 10.307692k 문자 × $0.6 = $0.6.

step-tts-2

단계 TTS 2 — 공식 음성 및 복제 음성을 사용한 표현력 있는 음성 합성, 속도 및 음량 조절, 발음 매핑, 다양한 출력 형식 지원.

작업: 텍스트 음성 변환, 음성 복제

엔드포인트: POST /v1/audio/speech

비용 예시: 1 10.538462k 문자 × $0.414815 = $0.414815.

stepaudio-2.5-asr

StepAudio 2.5 ASR — 빠른 중국어-영어 인식, ITN 정규화, 자막, 회의 및 음성 에이전트를 위한 4B MTP 스트리밍 전사 모델.

작업: 음성 전사

엔드포인트: POST /v1/audio/transcriptions

비용 예시: 1 오디오 시간 × $0.022 = $0.022.