ChinaAPI
Criar conta
Site global
English 日本語 한국어 ไทย Tiếng Việt Русский Bahasa Indonesia Português do Brasil Español Français (English only)
Criar conta

Diretório de APIs de fala chinesa

APIs de fala em chinês para ASR e conversão de texto em fala.

Compare os modelos de reconhecimento e síntese de fala disponíveis com uma única ChinaAPI key. Cada modelo mantém seu caminho de requisição real. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2, step-tts-mini usam /v1/audio/speech. stepaudio-2-asr-pro, step-asr, step-asr-1.1, qwen3-asr-flash, stepaudio-2.5-asr usam /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts usam /v1/chat/completions com payloads de áudio específicos de cada modelo.

Comece grátis — crédito $2 Veja os preços em tempo real.

Catálogo ao vivo

14 modelos de fala, gerados a partir de uma única fonte de dados.

Model IDs , modos de endpoint, unidades de faturamento, recursos e preços exibidos vêm de scripts/models-data.json, cujos preços de áudio são conciliados com o gateway ChinaAPI . A taxa de mídia exibida pode incluir uma margem de serviço que cobre faturamento de entrada/saída do provedor, processamento de pagamentos, exposição a estornos e operações. Qualquer margem está incluída na taxa exibida e não é adicionada separadamente. Verifique os preços em tempo real antes do lançamento da produção.

stepaudio-2-asr-pro

Reconhecimento de fala (ASR) · StepFun

Ponto final: POSTAGEM /v1/audio/transcriptions

Modo de solicitação: ponto final OpenAI-compatible transcrição

Cobrança: $0.35 por hora de áudio

AudioSpeech-to-Text

step-asr

Reconhecimento de fala (ASR) · StepFun

Ponto final: POSTAGEM /v1/audio/transcriptions

Modo de solicitação: ponto final OpenAI-compatible transcrição

Cobrança: $0.15 por hora de áudio

AudioSpeech-to-TextChinese Dialects

step-asr-1.1

Reconhecimento de fala (ASR) · StepFun

Ponto final: POSTAGEM /v1/audio/transcriptions

Modo de solicitação: ponto final OpenAI-compatible transcrição

Cobrança: $0.35 por hora de áudio

AudioSpeech-to-TextChinese Dialects

mimo-v2.5-asr

Reconhecimento de fala (ASR) · Xiaomi

Ponto final: POSTAGEM /v1/chat/completions

Modo de solicitação: Conclusões de bate-papo com uma carga útil input_audio

Cobrança: $0.074 por hora de áudio

AudioSpeech-to-TextMultilingualChinese DialectsNoise Robustness

mimo-v2.5-tts

Texto para fala (TTS) · Xiaomi

Ponto final: POSTAGEM /v1/chat/completions

Modo de solicitação: Conclusão de bate-papo com mensagens e configuração de saída de áudio

Cobrança: $0 por 10k caracteres

Preços promocionais gratuitos por tempo limitado; verifique os preços em tempo real antes do lançamento em produção.

AudioText-to-SpeechMultilingualStyle ControlBuilt-in Voices

stepaudio-2.5-tts

Texto para fala (TTS) · StepFun

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.85 por 10k caracteres

AudioText-to-SpeechContextual TTSStyle ControlBuilt-in Voices

glm-tts

Texto para fala (TTS) · Zhipu AI

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.3077 por 10k caracteres

AudioText-to-SpeechStreamingEmotionVoice Control

qwen3-asr-flash

Reconhecimento de fala (ASR) · Alibaba

Ponto final: POSTAGEM /v1/audio/transcriptions

Modo de solicitação: ponto final OpenAI-compatible transcrição

Cobrança: $0.1235 por hora de áudio

AudioSpeech-to-TextMultilingualEmotion RecognitionITN

qwen3-tts-flash

Texto para fala (TTS) · Alibaba

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.1231 por 10k caracteres

AudioText-to-SpeechMultilingualBuilt-in VoicesStreaming

speech-2.8-hd

Texto para fala (TTS) · MiniMax

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.5385 por 10k caracteres

AudioText-to-SpeechHigh FidelityEmotionMultilingual

speech-2.8-turbo

Texto para fala (TTS) · MiniMax

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.3077 por 10k caracteres

AudioText-to-SpeechLow LatencyEmotionMultilingual

step-tts-2

Texto para fala (TTS) · StepFun

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.4 por 10k caracteres

AudioText-to-SpeechVoice CloningEmotionPronunciation Control

step-tts-mini

Texto para fala (TTS) · StepFun

Ponto final: POSTAGEM /v1/audio/speech

Modo de solicitação: OpenAI-compatible ponto final da fala

Cobrança: $0.15 por 10k caracteres

AudioText-to-SpeechMultilingualVoice CloningStyle Control

stepaudio-2.5-asr

Reconhecimento de fala (ASR) · StepFun

Ponto final: POSTAGEM /v1/audio/transcriptions

Modo de solicitação: ponto final OpenAI-compatible transcrição

Cobrança: $0.022 por hora de áudio

AudioSpeech-to-TextStreamingChinese and EnglishITN

Escolha por carga de trabalho

ASR para compreensão de áudio; TTS para saída de voz.

Transcrição e compreensão de áudio

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.

Transcrição e compreensão de áudio

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.

Transcrição e compreensão de áudio

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.

Transcrição e compreensão de áudio

mimo-v2.5-asr: Xiaomi MiMo-V2.5-ASR — reconhecimento de fala para chinês, inglês, alternância de código, dialetos regionais, gravações ruidosas, áudio de campo distante, múltiplos falantes e letras de músicas.

Saída de voz controlável

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.

Saída de voz através de uma rota dedicada

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 .

Saída de voz através de uma rota dedicada

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.

Transcrição e compreensão de áudio

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.

Saída de voz através de uma rota dedicada

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.

Saída de voz através de uma rota dedicada

speech-2.8-hd: MiniMax Fala 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.

Saída de voz através de uma rota dedicada

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.

Saída de voz através de uma rota dedicada

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

Saída de voz através de uma rota dedicada

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

Transcrição e compreensão de áudio

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

Limite de compatibilidade

OpenAI-compatible não significa uma rota de áudio universal.

Os nomes das rotas e os envelopes de requisição seguem padrões OpenAI-compatible, mas o cliente deve enviar os campos de áudio exigidos por cada modelo. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2, step-tts-mini usam /v1/audio/speech. stepaudio-2-asr-pro, step-asr, step-asr-1.1, qwen3-asr-flash, stepaudio-2.5-asr usam /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts usam /v1/chat/completions com payloads de áudio específicos de cada modelo.

Inícios rápidos

Copie o pedido referente ao modelo e ao transporte que você precisa.

stepaudio-2-asr-pro

Reconhecimento de fala ( ASR ) via /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=stepaudio-2-asr-pro" \
  -F "[email protected]" \
  -F "response_format=json"

step-asr

Reconhecimento de fala ( ASR ) via /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=step-asr" \
  -F "[email protected]" \
  -F "response_format=json"

step-asr-1.1

Reconhecimento de fala ( ASR ) via /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=step-asr-1.1" \
  -F "[email protected]" \
  -F "response_format=json"

mimo-v2.5-asr

Reconhecimento de fala ( ASR ) via /v1/chat/completions

AUDIO_BASE64=$(base64 < meeting.wav | tr -d '\n')

curl -X POST https://api.chinaapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5-asr",
    "messages": [{
      "role": "user",
      "content": [{
        "type": "input_audio",
        "input_audio": {"data": "data:audio/wav;base64,'"$AUDIO_BASE64"'"}
      }]
    }]
  }'

mimo-v2.5-tts

Texto para fala ( TTS ) via /v1/chat/completions

curl -X POST https://api.chinaapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5-tts",
    "messages": [
      {"role": "user", "content": "Natural, clear, and friendly delivery"},
      {"role": "assistant", "content": "Welcome to ChinaAPI. 欢迎使用语音模型。"}
    ],
    "audio": {"format": "wav", "voice": "冰糖"}
  }' > response.json

stepaudio-2.5-tts

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "stepaudio-2.5-tts",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

glm-tts

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-tts",
    "voice": "tongtong",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

qwen3-asr-flash

Reconhecimento de fala ( ASR ) via /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=qwen3-asr-flash" \
  -F "[email protected]" \
  -F "response_format=json"

qwen3-tts-flash

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-tts-flash",
    "voice": "Cherry",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

speech-2.8-hd

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-hd",
    "voice": "Chinese (Mandarin)_Warm_Bestie",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

speech-2.8-turbo

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-turbo",
    "voice": "Chinese (Mandarin)_Warm_Bestie",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

step-tts-2

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "step-tts-2",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

step-tts-mini

Texto para fala ( TTS ) via /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "step-tts-mini",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

stepaudio-2.5-asr

Reconhecimento de fala ( ASR ) via /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=stepaudio-2.5-asr" \
  -F "[email protected]" \
  -F "response_format=json"

Todos os modelos de fala da ChinaAPI usam o mesmo endpoint de áudio?

No. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2, step-tts-mini usam /v1/audio/speech. stepaudio-2-asr-pro, step-asr, step-asr-1.1, qwen3-asr-flash, stepaudio-2.5-asr usam /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts usam /v1/chat/completions com payloads de áudio específicos de cada modelo.

Como são cobrados os modelos de fala?

stepaudio-2-asr-pro: $0.35 por hora de áudio; step-asr: $0.15 por hora de áudio; step-asr-1.1: $0.35 por hora de áudio; mimo-v2.5-asr: $0.074 por hora de áudio; mimo-v2.5-tts: $0 por 10k caracteres; stepaudio-2.5-tts: $0.85 por 10k caracteres; glm-tts: $0.3077 por 10k caracteres; qwen3-asr-flash: $0.1235 por hora de áudio; qwen3-tts-flash: $0.1231 por 10k caracteres; speech-2.8-hd: $0.5385 por 10k caracteres; speech-2.8-turbo: $0.3077 por 10k caracteres; step-tts-2: $0.4 por 10k caracteres; step-tts-mini: $0.15 por 10k caracteres; stepaudio-2.5-asr: $0.022 por hora de áudio. A tarifa de mídia exibida pode incluir uma margem de serviço que cobre a cobrança de entrada/saída do provedor, o processamento de pagamentos, o risco de chargeback e as operações. Qualquer margem já está incluída na tarifa exibida e não é adicionada à parte. Esses valores são renderizados do catálogo de modelos, não copiados para esta página.

Posso usar esses modelos sem uma conta da China continental?

Sim. A ChinaAPI fornece acesso sem uma conta ou número de telefone da China continental. Cadastre-se para obter uma chave e, em seguida, use a rota e o payload exatos mostrados para o modelo escolhido.