stepaudio-2-asr-pro
Reconhecimento de fala (ASR) · StepFun
Endpoint: POSTAGEM /v1/audio/transcriptions
Modo de solicitação: endpoint de transcrição OpenAI-compatible
Cobrança: $0.2963 por hora de áudio
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 usam /v1/audio/speech. stepaudio-2-asr-pro, 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.
Catálogo ao vivo
11 modelos de fala, gerados a partir de uma única fonte de dados.
Os Model IDs, os modos de endpoint, as unidades de cobrança, as capacidades e os preços exibidos vêm de scripts/models-data.json, cujos preços de áudio são conciliados com o gateway da ChinaAPI. A tarifa de mídia exibida pode incluir uma margem de serviço que cobre o faturamento de entrada/saída do provedor, o processamento de pagamentos, a exposição a estornos e as operações. Qualquer margem está incluída na tarifa exibida e não é adicionada separadamente. Verifique os preços em tempo real antes do lançamento em produção.
mimo-v2.5-asr
Reconhecimento de fala (ASR) · Xiaomi
Endpoint: POSTAGEM /v1/chat/completions
Modo de solicitação: Conclusões de bate-papo com uma carga útil input_audio
Cobrança: $0.074 por hora de áudio
mimo-v2.5-tts
Texto para fala (TTS) · Xiaomi
Endpoint: 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.
stepaudio-2.5-tts
Texto para fala (TTS) · StepFun
Endpoint: POSTAGEM /v1/audio/speech
Modo de solicitação: endpoint de fala OpenAI-compatible
Cobrança: $0.85 por 10k caracteres
glm-tts
Texto para fala (TTS) · Zhipu AI
Endpoint: POSTAGEM /v1/audio/speech
Modo de solicitação: endpoint de fala OpenAI-compatible
Cobrança: $0.35 por 10k caracteres
qwen3-asr-flash
Reconhecimento de fala (ASR) · Alibaba
Endpoint: POSTAGEM /v1/audio/transcriptions
Modo de solicitação: endpoint de transcrição OpenAI-compatible
Cobrança: $0.126 por hora de áudio
qwen3-tts-flash
Texto para fala (TTS) · Alibaba
Endpoint: POSTAGEM /v1/audio/speech
Modo de solicitação: endpoint de fala OpenAI-compatible
Cobrança: $0.11 por 10k caracteres
speech-2.8-hd
Texto para fala (TTS) · MiniMax
Endpoint: POSTAGEM /v1/audio/speech
Modo de solicitação: endpoint de fala OpenAI-compatible
Cobrança: $1 por 10k caracteres
speech-2.8-turbo
Texto para fala (TTS) · MiniMax
Endpoint: POSTAGEM /v1/audio/speech
Modo de solicitação: endpoint de fala OpenAI-compatible
Cobrança: $0.6 por 10k caracteres
step-tts-2
Texto para fala (TTS) · StepFun
Endpoint: POSTAGEM /v1/audio/speech
Modo de solicitação: endpoint de fala OpenAI-compatible
Cobrança: $0.4148 por 10k caracteres
stepaudio-2.5-asr
Reconhecimento de fala (ASR) · StepFun
Endpoint: POSTAGEM /v1/audio/transcriptions
Modo de solicitação: endpoint de transcrição OpenAI-compatible
Cobrança: $0.022 por hora de áudio
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 com 32B de parâmetros, a opção que prioriza a precisão na linha ASR da StepFun, na qual o stepaudio-2.5-asr é a opção de velocidade e custo. Aceita uploads em ogg, mp3 e wav; a saída de 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 entre idiomas, dialetos regionais, gravações ruidosas, áudio de campo distante, vários locutores e letras de música.
Saída de voz controlável
mimo-v2.5-tts: Xiaomi MiMo-V2.5-TTS — síntese de fala multilíngue expressiva com vozes integradas, instruções de estilo em linguagem natural e controle de emoção, ritmo, tom, dialeto e personagem.
Saída de voz através de uma rota dedicada
stepaudio-2.5-tts: StepAudio 2.5 TTS — síntese de fala contextual com direção em linguagem natural no próprio texto, locução expressiva, vozes integradas e saída de áudio OpenAI-compatible.
Saída de voz através de uma rota dedicada
glm-tts: GLM-TTS — síntese de fala sensível ao contexto com locução expressiva, saída em streaming, primeiro áudio rápido e controles de voz, velocidade e volume.
Transcrição e compreensão de áudio
qwen3-asr-flash: Qwen3-ASR-Flash — transcrição multilíngue de arquivos com dicas de idioma, normalização inversa de texto, reconhecimento de emoções e entrada de áudio OpenAI-compatible.
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 misturados, vozes integradas, correspondência automática de idioma e cobrança por caractere.
Saída de voz através de uma rota dedicada
speech-2.8-hd: MiniMax Speech 2.8 HD — síntese de fala de alta fidelidade com expressão emocional natural, aprimoramento de idioma, controles de voz e formatos de áudio para produção.
Saída de voz através de uma rota dedicada
speech-2.8-turbo: MiniMax Speech 2.8 Turbo — síntese de fala focada em velocidade, com saída natural, controles de emoção, aprimoramento de idioma e formatos de áudio comuns para produção.
Saída de voz através de uma rota dedicada
step-tts-2: Step TTS 2 — síntese de fala expressiva com vozes oficiais e clonadas, controle de velocidade e volume, mapeamento de pronúncia e vários formatos de saída.
Transcrição e compreensão de áudio
stepaudio-2.5-asr: StepAudio 2.5 ASR — um modelo de transcrição em streaming MTP de 4B para reconhecimento rápido de chinês e 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 usam /v1/audio/speech. stepaudio-2-asr-pro, 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 $CHINAAPI_API_KEY" \
-F "model=stepaudio-2-asr-pro" \
-F "[email protected]" \
-F "response_format=json"
mimo-v2.5-asr
Reconhecimento de fala (ASR) via /v1/chat/completions
AUDIO_BASE64=$(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
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 usam /v1/audio/speech. stepaudio-2-asr-pro, 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: $0.2963 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: $0.35 por 10k caracteres; qwen3-asr-flash: $0.126 por hora de áudio; qwen3-tts-flash: $0.11 por 10k caracteres; speech-2.8-hd: $1 por 10k caracteres; speech-2.8-turbo: $0.6 por 10k caracteres; step-tts-2: $0.4148 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.