Entradas
Áudio para compreensão/transcrição ou texto para síntese, usando o modelo exato selecionado api_mode.
centro de capacidade de áudio e fala
API: compreensão e elementos básicos da comunicação entre fala
Use os modos de ponto final de compreensão de áudio verificada, ASR e TTS sem tratar todos os modelos de fala como intercambiáveis.
Contrato
Entradas, saídas e ciclo de vida.
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.
Tarefas suportadas
Uma definição por tarefa.
compreensão de áudio, transcrição, texto para fala
Limite: Um rótulo TTS ou ASR não comprova compreensão direta de áudio, clonagem de voz, diarização ou suporte de fala para fala.
Catálogo correspondente
12 modelos com metadados explícitos.
Funcionalidades desconhecidas são omitidas, nunca inferidas a partir do nome do modelo. Os exemplos de preços utilizam os dados públicos sincronizados; o Dash Pricing em tempo real continua sendo a fonte oficial.
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: transcrição
Ponto final: POST /v1/audio/transcriptions
Exemplo de custo: 1 hora de áudio × $0.296296 = $0.296296.
stepaudio-2.5-chat
StepFun StepAudio 2.5 Chat — compreensão de fala ponta a ponta que recebe áudio ou texto e devolve texto, lendo sinais paralinguísticos como hesitação e riso na própria forma de onda, e não em uma transcrição. Suporta personalização de persona em caráter, hábitos de fala e amplitude emocional; o áudio é enviado como partes de conteúdo input_audio nos chat completions. Para respostas faladas, use um modelo TTS.
Tarefas: compreensão de áudio
Ponto final: POST /v1/chat/completions
Exemplo de custo: 1,000 tokens de entrada + 500 de saída ≈ $0.00325 pelas tarifas sincronizadas.
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: 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: 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: texto para fala, clonagem de voz
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: texto para fala
Ponto final: POST /v1/audio/speech
Exemplo de custo: 1 10.15k caracteres × $0.35 = $0.35.
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: transcrição
Ponto final: POST /v1/audio/transcriptions
Exemplo de custo: 1 hora de áudio × $0.126 = $0.126.
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: texto para fala
Ponto final: POST /v1/audio/speech
Exemplo de custo: 1 10.4k caracteres × $0.11 = $0.11.
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: texto para fala
Ponto final: POST /v1/audio/speech
Exemplo de custo: 1 10.123077k caracteres × $1 = $1.
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: texto para fala
Ponto final: POST /v1/audio/speech
Exemplo de custo: 1 10.307692k caracteres × $0.6 = $0.6.
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: texto para fala, clonagem de voz
Ponto final: POST /v1/audio/speech
Exemplo de custo: 1 10.538462k caracteres × $0.414815 = $0.414815.
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: transcrição
Ponto final: POST /v1/audio/transcriptions
Exemplo de custo: 1 hora de áudio × $0.022 = $0.022.
Faça um orçamento ou uma estimativa antes de se inscrever.
Calcular o custo da API · Gerar requisição em curl, Python ou JavaScript
Fonte e método: conjunto de dados público de preços de modelos, atualizado em 2026-09-28. As limitações estão descritas acima; as afirmações de terceiros ficam junto às páginas dos modelos que as citam.