เสียง API: ความเข้าใจและการสร้างองค์ประกอบพื้นฐานจากเสียงพูดสู่เสียงพูด

ข้อมูลนำเข้า

ไฟล์เสียงสำหรับทำความเข้าใจ/ถอดเสียง หรือข้อความสำหรับการสังเคราะห์ โดยใช้ค่าที่แน่นอนของโมเดลที่เลือก api_mode

เอาต์พุต

การวิเคราะห์ข้อความ/ถอดเสียง หรือการสร้างเสียงพูด ไม่ได้หมายความว่าจะได้ผลลัพธ์เป็นเสียงพูดโดยตรง เว้นแต่ว่าข้อมูลเมตาของแคตตาล็อกจะระบุไว้เช่นนั้น

จุดสิ้นสุด

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

วงจรชีวิต

ปลายทางเสียงที่ระบุไว้เป็นแบบซิงโครนัส กระบวนการทำงานแบบเสียงต่อเสียงจะเชื่อมโยงการถอดเสียงหรือการทำความเข้าใจเสียงเข้ากับ TTS แยกต่างหาก

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro — การรู้จำเสียงพูดขนาด 32B พารามิเตอร์ เป็นตัวเลือกที่เน้นความแม่นยำในสาย ASR ของ StepFun ขณะที่ stepaudio-2.5-asr เป็นตัวเลือกที่เน้นความเร็วและต้นทุน รับไฟล์ ogg, mp3 และ wav โดยไม่คิดค่าบริการสำหรับผลลัพธ์การถอดเสียง

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/audio/transcriptions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.296296 = $0.296296.

stepaudio-2.5-chat

StepFun StepAudio 2.5 Chat — การเข้าใจเสียงพูดแบบครบวงจร รับอินพุตเป็นเสียงหรือข้อความและคืนค่าเป็นข้อความ อ่านสัญญาณกึ่งภาษา เช่น การลังเลและเสียงหัวเราะ จากคลื่นเสียงโดยตรงแทนที่จะอ่านจากบทถอดเสียง รองรับการปรับแต่งบุคลิก ทั้งลักษณะนิสัย นิสัยการพูด และช่วงอารมณ์ ส่งเสียงเป็นส่วนเนื้อหา input_audio ใน chat completions หากต้องการคำตอบเป็นเสียงพูด ให้ใช้โมเดล TTS

หน้าที่: ทำความเข้าใจเสียง

จุดสิ้นสุด: POST /v1/chat/completions

ตัวอย่างค่าใช้จ่าย: อินพุต 1,000 โทเค็น + เอาต์พุต 500 โทเค็น ≈ $0.00325 ตามอัตราที่ซิงก์แล้ว

mimo-v2.5-asr

Xiaomi การรู้จำเสียงพูดสำหรับภาษาจีน ภาษาอังกฤษ การสลับภาษา สำเนียงท้องถิ่น การ MiMo-V2.5-ASR ที่มีเสียงรบกวน เสียงจากระยะไกล ผู้พูดหลายคน และเนื้อเพลง

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/chat/completions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.074 = $0.074.

mimo-v2.5-tts

Xiaomi การสังเคราะห์เสียงหลายภาษาที่แสดงอารมณ์ได้ MiMo-V2.5-TTS ดีเยี่ยม พร้อมเสียงพูดในตัว คำแนะนำในรูปแบบภาษาธรรมชาติ อารมณ์ จังหวะ น้ำเสียง สำเนียง และการควบคุมตัวอักษร

หน้าที่: แปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/chat/completions

ตัวอย่างค่าใช้จ่าย: 1 10k ตัวอักษร × $0 = $0.

stepaudio-2.5-tts

StepAudio การสังเคราะห์เสียงพูดตาม TTS พร้อมการ 2.5 ภาษาธรรมชาติแบบอินไลน์ การแสดงออกทางอารมณ์ เสียงพูดในตัว และเอาต์พุต OpenAI-compatible

หน้าที่: แปลงข้อความเป็นเสียงพูด, โคลนเสียง

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.85k ตัวอักษร × $0.85 = $0.85.

glm-tts

GLM-TTS การสังเคราะห์เสียงพูดที่คำนึงถึงบริบท พร้อมการถ่ายทอดอารมณ์ การส่งออกเสียงแบบสตรีมมิ่ง เสียงเริ่มต้นที่รวดเร็ว และการควบคุมเสียง ความเร็ว และระดับเสียง

หน้าที่: แปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.15k ตัวอักษร × $0.35 = $0.35.

qwen3-asr-flash

Qwen3-ASR-Flash การถอดเสียงไฟล์หลายภาษาพร้อมคำแนะนำภาษา การปรับข้อความให้เป็นมาตรฐานแบบผกผัน การจดจำอารมณ์ และการป้อนข้อมูล OpenAI-compatible

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/audio/transcriptions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.126 = $0.126.

qwen3-tts-flash

Qwen3-TTS-Flash การสังเคราะห์เสียงหลายภาษาที่มีความหน่วงต่ำ พร้อมการป้อนข้อมูลแบบผสมภาษา เสียงพูดในตัว การจับคู่ภาษาอัตโนมัติ และการคิดค่าบริการตามจำนวนตัวอักษร

หน้าที่: แปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.4k ตัวอักษร × $0.11 = $0.11.

speech-2.8-hd

MiniMax พูด 2.8 HD — การสังเคราะห์เสียงพูดคุณภาพสูง พร้อมการถ่ายทอดอารมณ์ที่เป็นธรรมชาติ การปรับปรุงคุณภาพภาษา การควบคุมด้วยเสียง และรูปแบบเสียงสำหรับการผลิต

หน้าที่: แปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.123077k ตัวอักษร × $1 = $1.

speech-2.8-turbo

MiniMax Speech 2.8 Turbo — การสังเคราะห์เสียงพูดที่เน้นความเร็ว ให้เสียงที่เป็นธรรมชาติ ควบคุมอารมณ์ ปรับปรุงคุณภาพภาษา และรองรับรูปแบบเสียงที่ใช้กันทั่วไปในการผลิต

หน้าที่: แปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.307692k ตัวอักษร × $0.6 = $0.6.

step-tts-2

ขั้นตอนที่ TTS 2 — การสังเคราะห์เสียงพูดที่แสดงอารมณ์ด้วยเสียงทางการและเสียงจำลอง การควบคุมความเร็วและระดับเสียง การแมปการออกเสียง และรูปแบบเอาต์พุตหลายรูปแบบ

หน้าที่: แปลงข้อความเป็นเสียงพูด, โคลนเสียง

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.538462k ตัวอักษร × $0.414815 = $0.414815.

stepaudio-2.5-asr

StepAudio โมเดลการถอด 2.5 สตรี 4B ASR MTP สำหรับการจดจำภาษาจีน-อังกฤษอย่างรวดเร็ว การปรับมาตรฐาน ITN คำบรรยาย การประชุม และตัวแทนเสียง

หน้าที่: ถอดเสียงเป็นข้อความ

จุดสิ้นสุด: POST /v1/audio/transcriptions

ตัวอย่างค่าใช้จ่าย: 1 ชั่วโมงเสียง × $0.022 = $0.022.