Входные данные
Аудиозапись для понимания/транскрипции или текст для синтеза с использованием точных api_mode выбранной модели.
центр аудио-речевых возможностей
Аудио API: элементы понимания и преобразования речи в речь.
Используйте проверенные режимы распознавания звука, ASR и TTS конечных точек, не рассматривая все модели речи как взаимозаменяемые.
Договор
Входные данные, выходные данные и жизненный цикл.
Выходы
Анализ текста/транскрипция или сгенерированный аудиофайл; прямой результат преобразования речи в речь не подразумевается, если это не указано в метаданных каталога.
Конечная точка
Model-specific: /v1/chat/completions, /v1/audio/transcriptions, or /v1/audio/speech
Жизненный цикл
Указанные аудиотерминалы синхронны; в процессе преобразования речи в речь транскрипция или расшифровка TTS связываются с отдельным запросом.
Поддерживаемые задачи
Одно определение на одно задание.
понимание аудио, распознавание речи, синтез речи
Лимит: Метка TTS или ASR не подтверждает прямое понимание звука, клонирование голоса, диаризацию или поддержку преобразования речи в речь.
Соответствующий каталог
12 модели с явными метаданными.
Неизвестные возможности опускаются и никогда не определяются по названию модели. В примерах цен используются синхронизированные общедоступные данные; актуальные цены Dash Pricing остаются авторитетными.
stepaudio-2-asr-pro
StepFun StepAudio 2 ASR Pro — распознавание речи на 32B параметров: вариант линейки StepFun ASR с упором на точность, тогда как stepaudio-2.5-asr ориентирован на скорость и стоимость. Принимает файлы ogg, mp3 и wav; вывод расшифровки не тарифицируется.
Задачи: распознавание речи
Конечная точка: POST /v1/audio/transcriptions
Пример расчета стоимости: 1 аудио час × $0.296296 = $0.296296.
stepaudio-2.5-chat
StepFun StepAudio 2.5 Chat — сквозная модель понимания речи: принимает аудио или текст и возвращает текст, считывая паралингвистические сигналы вроде заминок и смеха прямо из звуковой волны, а не из расшифровки. Поддерживает настройку персоны — характер, речевые привычки и эмоциональный диапазон; аудио передаётся частями input_audio в chat completions. Для устных ответов используйте TTS-модель.
Задачи: понимание аудио
Конечная точка: POST /v1/chat/completions
Пример расчета стоимости: 1,000 входных + 500 выходных токенов ≈ $0.00325 по синхронизированным тарифам.
mimo-v2.5-asr
Xiaomi Распознавание речи на китайском MiMo-V2.5-ASR английском языках, с переключением кодов, региональными диалектами, зашумленными записями, звуком на большом расстоянии, несколькими говорящими и текстами песен.
Задачи: распознавание речи
Конечная точка: POST /v1/chat/completions
Пример расчета стоимости: 1 аудио час × $0.074 = $0.074.
mimo-v2.5-tts
Xiaomi MiMo-V2.5-TTS — выразительный многоязычный синтез речи со встроенными голосами, инструкциями по стилю речи на естественном языке, управлением эмоциями, темпом, тоном, диалектом и символикой.
Задачи: синтез речи
Конечная точка: POST /v1/chat/completions
Пример расчета стоимости: 1 10k символов × $0 = $0.
stepaudio-2.5-tts
StepAudio 2.5 TTS — контекстный синтез речи с встроенным управлением естественной речью, выразительной подачей, встроенными голосами и OpenAI-compatible аудиовыходом.
Задачи: синтез речи, клонирование голоса
Конечная точка: POST /v1/audio/speech
Пример расчета стоимости: 1 10.85k символов × $0.85 = $0.85.
glm-tts
GLM-TTS — контекстно-зависимый синтез речи с выразительной подачей, потоковым выводом, быстрым первым аудиосигналом и элементами управления голосом, скоростью и громкостью.
Задачи: синтез речи
Конечная точка: POST /v1/audio/speech
Пример расчета стоимости: 1 10.15k символов × $0.35 = $0.35.
qwen3-asr-flash
Qwen3-ASR-Flash — многоязычная транскрипция файлов с языковыми подсказками, обратная нормализация текста, распознавание эмоций и OpenAI-compatible ввод аудио.
Задачи: распознавание речи
Конечная точка: POST /v1/audio/transcriptions
Пример расчета стоимости: 1 аудио час × $0.126 = $0.126.
qwen3-tts-flash
Qwen3-TTS-Flash — Многоязычный синтез речи с низкой задержкой, поддержкой ввода на разных языках, встроенными голосами, автоматическим сопоставлением языков и указанием символов.
Задачи: синтез речи
Конечная точка: POST /v1/audio/speech
Пример расчета стоимости: 1 10.4k символов × $0.11 = $0.11.
speech-2.8-hd
MiniMax Speech 2.8 HD — высококачественный синтез речи с естественной передачей эмоций, улучшением речи, управлением голосом и поддержкой аудиоформатов.
Задачи: синтез речи
Конечная точка: POST /v1/audio/speech
Пример расчета стоимости: 1 10.123077k символов × $1 = $1.
speech-2.8-turbo
MiniMax Speech 2.8 Turbo — синтез речи с упором на скорость, обеспечивающий естественный результат, управление эмоциями, улучшение речи и поддержку распространенных аудиоформатов.
Задачи: синтез речи
Конечная точка: POST /v1/audio/speech
Пример расчета стоимости: 1 10.307692k символов × $0.6 = $0.6.
step-tts-2
Шаг TTS 2 — выразительный синтез речи с использованием официальных и клонированных голосов, регулировка скорости и громкости, сопоставление произношения и несколько форматов вывода.
Задачи: синтез речи, клонирование голоса
Конечная точка: POST /v1/audio/speech
Пример расчета стоимости: 1 10.538462k символов × $0.414815 = $0.414815.
stepaudio-2.5-asr
StepAudio 2.5 ASR — модель потоковой транскрипции 4B для быстрого распознавания китайского и английского языков, нормализации ITN, субтитров, организации совещаний и работы голосовых агентов.
Задачи: распознавание речи
Конечная точка: POST /v1/audio/transcriptions
Пример расчета стоимости: 1 аудио час × $0.022 = $0.022.
Проведите замер или сделайте предварительную оценку перед регистрацией.
Рассчитать стоимость API · Сгенерировать запрос на curl, Python или JavaScript
Источник и метод: публичный набор данных о ценах на модели, обновлён 2026-09-28. Ограничения указаны выше; утверждения третьих сторон остаются на страницах моделей, которые на них ссылаются.