API : compreensão e elementos básicos da comunicação entre fala

Entradas

Áudio para compreensão/transcrição ou texto para síntese, usando o modelo exato selecionado api_mode .

Saídas

Análise/transcrição de texto ou áudio gerado; um resultado direto de transcrição de fala não está implícito, a menos que os metadados do catálogo indiquem o contrário.

Ponto final

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

Vida útil

Os endpoints de áudio listados são síncronos; um fluxo de trabalho de fala para fala encadeia a transcrição ou a compreensão de áudio a uma solicitação TTS .

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro — reconhecimento de fala de 32B parâmetros, a opção que prioriza precisão na linha ASR da StepFun, enquanto stepaudio-2.5-asr é a opção de velocidade e custo. Aceita uploads ogg, mp3 e wav; a saída da transcrição não é cobrada.

Tarefas: vídeo com áudio, transcrição

Ponto final: POST /v1/audio/transcriptions

Exemplo de custo: 1 hora de áudio × $0.35 = $0.35 .

step-asr

StepFun step-asr — reconhecimento de fala de uso geral cobrindo chinês, inglês e dialetos chineses, para transcrição, atas de reunião, revisão de qualidade de chamadas e busca por voz. Aceita uploads ogg, mp3 e wav; a saída da transcrição não é cobrada.

Tarefas: vídeo com áudio, transcrição

Ponto final: POST /v1/audio/transcriptions

Exemplo de custo: 1 hora de áudio × $0.15 = $0.15 .

step-asr-1.1

StepFun step-asr-1.1 — o reconhecedor de uso geral atualizado da linha step-asr, cobrindo chinês, inglês e dialetos chineses. Aceita uploads ogg, mp3 e wav; a saída da transcrição não é cobrada.

Tarefas: vídeo com áudio, transcrição

Ponto final: POST /v1/audio/transcriptions

Exemplo de custo: 1 hora de áudio × $0.35 = $0.35 .

mimo-v2.5-asr

Xiaomi reconhecimento de fala para chinês, inglês, alternância de códigos, dialetos regionais, gravações ruidosas, áudio MiMo-V2.5-ASR campo distante, múltiplos falantes e letras de músicas.

Tarefas: vídeo com áudio, transcrição

Ponto final: POST /v1/chat/completions

Exemplo de custo: 1 hora de áudio × $0.074 = $0.074 .

mimo-v2.5-tts

Xiaomi MiMo-V2.5-TTS — síntese de fala multilíngue expressiva com vozes integradas, instruções de estilo de linguagem natural, controle de emoção, ritmo, tom, dialeto e caracteres.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/chat/completions

Exemplo de custo: 1 10k caracteres × $0 = $0 .

stepaudio-2.5-tts

StepAudio 2.5 TTS — síntese de fala contextual com direção de linguagem natural embutida, entrega expressiva, vozes integradas e saída de OpenAI-compatible .

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.85k caracteres × $0.85 = $0.85 .

glm-tts

GLM-TTS síntese de fala sensível ao contexto com entrega expressiva, saída em fluxo contínuo, áudio inicial rápido e controles de voz, velocidade e volume.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.307692k caracteres × $0.307692 = $0.307692 .

qwen3-asr-flash

Qwen3-ASR-Flash — transcrição de arquivos multilíngues com dicas de idioma, normalização inversa de texto, reconhecimento de emoções e OpenAI-compatible entrada de áudio.

Tarefas: vídeo com áudio, transcrição

Ponto final: POST /v1/audio/transcriptions

Exemplo de custo: 1 hora de áudio × $0.123539 = $0.123539 .

qwen3-tts-flash

Qwen3-TTS-Flash Síntese de fala multilíngue de baixa latência com entrada em idiomas mistos, vozes integradas, correspondência automática de idiomas e cobrança baseada em caracteres.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.123077k caracteres × $0.123077 = $0.123077 .

speech-2.8-hd

MiniMax Speech 2.8 HD — síntese de fala de alta fidelidade com entrega emocional natural, aprimoramento de linguagem, controles de voz e formatos de áudio de produção.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.538462k caracteres × $0.538462 = $0.538462 .

speech-2.8-turbo

MiniMax Fala 2.8 Turbo — síntese de fala focada na velocidade com saída natural, controles de emoção, aprimoramento de linguagem e formatos de áudio de produção comuns.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.307692k caracteres × $0.307692 = $0.307692 .

step-tts-2

Etapa TTS 2 — síntese de fala expressiva com vozes oficiais e clonadas, controle de velocidade e volume, mapeamento de pronúncia e múltiplos formatos de saída.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.4k caracteres × $0.4 = $0.4 .

step-tts-mini

Step TTS — síntese de fala expressiva e econômica para chinês, inglês, japonês, cantonês e sichuanês, com vozes oficiais e clonadas.

Tarefas: vídeo com áudio, texto para fala

Ponto final: POST /v1/audio/speech

Exemplo de custo: 1 10.15k caracteres × $0.15 = $0.15 .

stepaudio-2.5-asr

StepAudio 2.5 modelo ASR transcrição de streaming 4B para reconhecimento rápido de chinês-inglês, normalização ITN, legendas, reuniões e agentes de voz.

Tarefas: vídeo com áudio, transcrição

Ponto final: POST /v1/audio/transcriptions

Exemplo de custo: 1 hora de áudio × $0.022 = $0.022 .