ChinaAPI
สมัครใช้งาน
ไทย
English 日本語 한국어 ไทย Tiếng Việt Русский Bahasa Indonesia Português do Brasil Español Français (English only) 简体中文
สมัครใช้งาน

ไดเร็กทอรี API การพูดภาษาจีน

API สำหรับการประมวลผลเสียงภาษาจีนสำหรับระบบรู้จำเสียงพูดอัตโนมัติ (ASR) และการแปลงข้อความให้เป็นเสียงพูด (Text-to-Speech)

เปรียบเทียบโมเดลรู้จำเสียงพูดและสังเคราะห์เสียงพูดที่ใช้ได้ผ่าน ChinaAPI key เดียว แต่ละโมเดลใช้เส้นทางคำขอจริงของตัวเอง stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 ใช้ /v1/audio/speech ส่วน stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr ใช้ /v1/audio/transcriptions และ mimo-v2.5-asr, mimo-v2.5-tts ใช้ /v1/chat/completions พร้อมเพย์โหลดเสียงเฉพาะของแต่ละโมเดล

เริ่มใช้งานฟรี — รับเครดิต $2 ดูราคาแบบเรียลไทม์

แคตตาล็อกสด

โมเดลเสียงพูด 11 สร้างขึ้นจากแหล่งข้อมูลเดียว

โหมด endpoint หน่วยการคิดเงิน ความสามารถ ราคาที่แสดง และ Model IDs ล้วนมาจาก scripts/models-data.json, ซึ่งราคาเสียงในไฟล์นี้กระทบยอดกับเกตเวย์ของ ChinaAPI แล้ว อัตราค่าบริการสื่อที่แสดงอาจรวมส่วนต่างบริการที่ครอบคลุมค่าบริการอินพุต/เอาต์พุตของผู้ให้บริการ การประมวลผลการชำระเงิน ความเสี่ยงจากการปฏิเสธการชำระเงิน และการดำเนินงาน ส่วนต่างใด ๆ รวมอยู่ในอัตราที่แสดงแล้วและไม่มีการบวกเพิ่มแยกต่างหาก ตรวจสอบราคาแบบเรียลไทม์ก่อนเปิดใช้งานจริง

stepaudio-2-asr-pro

การรู้จำเสียงพูด (ASR) · StepFun

Endpoint: โพสต์ /v1/audio/transcriptions

โหมดการร้องขอ: Endpoint ถอดเสียงแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.2963 ต่อชั่วโมงเสียง

AudioSpeech-to-Text

mimo-v2.5-asr

ระบบรู้จำเสียงพูด (ASR) · Xiaomi

Endpoint: โพสต์ /v1/chat/completions

โหมดการร้องขอ: แชทเสร็จสมบูรณ์พร้อมเพย์โหลด input_audio

การเรียกเก็บเงิน: $0.074 ต่อชั่วโมงเสียง

AudioSpeech-to-TextMultilingualChinese DialectsNoise Robustness

mimo-v2.5-tts

การแปลงข้อความเป็นเสียงพูด (TTS) · Xiaomi

Endpoint: โพสต์ /v1/chat/completions

โหมดการร้องขอ: การแสดงผลการสนทนาเมื่อจบการสนทนา พร้อมการตั้งค่าเอาต์พุตเสียง

การเรียกเก็บเงิน: $0 10k ตัวอักษร

ราคาอัปโหลดฟรีในช่วงเวลาจำกัด โปรดตรวจสอบราคาจริงก่อนเปิดใช้งานจริง

AudioText-to-SpeechMultilingualStyle ControlBuilt-in Voices

stepaudio-2.5-tts

การแปลงข้อความเป็นเสียงพูด (TTS) · StepFun

Endpoint: โพสต์ /v1/audio/speech

โหมดการร้องขอ: Endpoint เสียงพูดแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.85 10k ตัวอักษร

AudioText-to-SpeechContextual TTSStyle ControlBuilt-in Voices

glm-tts

การแปลงข้อความเป็นเสียงพูด (TTS) · Zhipu AI

Endpoint: โพสต์ /v1/audio/speech

โหมดการร้องขอ: Endpoint เสียงพูดแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.35 10k ตัวอักษร

AudioText-to-SpeechStreamingEmotionVoice Control

qwen3-asr-flash

การรู้จำเสียงพูด (ASR) · Alibaba

Endpoint: โพสต์ /v1/audio/transcriptions

โหมดการร้องขอ: Endpoint ถอดเสียงแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.126 ต่อชั่วโมงเสียง

AudioSpeech-to-TextMultilingualEmotion RecognitionITN

qwen3-tts-flash

แปลงข้อความเป็นเสียงพูด (TTS) · Alibaba

Endpoint: โพสต์ /v1/audio/speech

โหมดการร้องขอ: Endpoint เสียงพูดแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.11 10k ตัวอักษร

AudioText-to-SpeechMultilingualBuilt-in VoicesStreaming

speech-2.8-hd

การแปลงข้อความเป็นเสียงพูด (TTS) · MiniMax

Endpoint: โพสต์ /v1/audio/speech

โหมดการร้องขอ: Endpoint เสียงพูดแบบ OpenAI-compatible

การเรียกเก็บเงิน: $1 10k ตัวอักษร

AudioText-to-SpeechHigh FidelityEmotionMultilingual

speech-2.8-turbo

การแปลงข้อความเป็นเสียงพูด (TTS) · MiniMax

Endpoint: โพสต์ /v1/audio/speech

โหมดการร้องขอ: Endpoint เสียงพูดแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.6 10k ตัวอักษร

AudioText-to-SpeechLow LatencyEmotionMultilingual

step-tts-2

การแปลงข้อความเป็นเสียงพูด (TTS) · StepFun

Endpoint: โพสต์ /v1/audio/speech

โหมดการร้องขอ: Endpoint เสียงพูดแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.4148 10k ตัวอักษร

AudioText-to-SpeechVoice CloningEmotionPronunciation Control

stepaudio-2.5-asr

การรู้จำเสียงพูด (ASR) · StepFun

Endpoint: โพสต์ /v1/audio/transcriptions

โหมดการร้องขอ: Endpoint ถอดเสียงแบบ OpenAI-compatible

การเรียกเก็บเงิน: $0.022 ต่อชั่วโมงเสียง

AudioSpeech-to-TextStreamingChinese and EnglishITN

เลือกตามปริมาณงาน

ASR สำหรับการเข้าใจเสียง; TTS สำหรับการแปลงเสียงเป็นข้อความ

การถอดเสียงและความเข้าใจด้านเสียง

stepaudio-2-asr-pro: StepFun StepAudio 2 ASR Pro — ระบบรู้จำเสียงพูดขนาด 32B พารามิเตอร์ เป็นตัวเลือกที่เน้นความแม่นยำในกลุ่ม ASR ของ StepFun ขณะที่ stepaudio-2.5-asr เป็นตัวเลือกที่เน้นความเร็วและต้นทุน รองรับการอัปโหลดไฟล์ ogg, mp3 และ wav ส่วนเอาต์พุตข้อความถอดเสียงไม่มีการคิดค่าบริการ

การถอดเสียงและความเข้าใจด้านเสียง

mimo-v2.5-asr: Xiaomi MiMo-V2.5-ASR — ระบบรู้จำเสียงพูดสำหรับภาษาจีน ภาษาอังกฤษ การสลับภาษาระหว่างพูด สำเนียงท้องถิ่น การบันทึกเสียงที่มีเสียงรบกวน เสียงจากระยะไกล ผู้พูดหลายคน และเนื้อเพลง

สามารถควบคุมการส่งสัญญาณเสียงได้

mimo-v2.5-tts: Xiaomi MiMo-V2.5-TTS — ระบบสังเคราะห์เสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์ได้ดี พร้อมเสียงในตัว คำสั่งกำหนดสไตล์ด้วยภาษาธรรมชาติ และการควบคุมอารมณ์ จังหวะ น้ำเสียง สำเนียง และตัวละคร

การส่งสัญญาณเสียงออกผ่านเส้นทางเฉพาะ

stepaudio-2.5-tts: StepAudio 2.5 TTS — ระบบสังเคราะห์เสียงพูดตามบริบท พร้อมการกำกับด้วยภาษาธรรมชาติแบบอินไลน์ การถ่ายทอดอารมณ์ เสียงในตัว และเอาต์พุตเสียงแบบ OpenAI-compatible

การส่งสัญญาณเสียงออกผ่านเส้นทางเฉพาะ

glm-tts: GLM-TTS — ระบบสังเคราะห์เสียงพูดที่เข้าใจบริบท พร้อมการถ่ายทอดอารมณ์ เอาต์พุตแบบสตรีมมิง เสียงแรกที่ออกมาอย่างรวดเร็ว และการควบคุมเสียงพูด ความเร็ว และระดับเสียง

การถอดเสียงและความเข้าใจด้านเสียง

qwen3-asr-flash: Qwen3-ASR-Flash — การถอดเสียงจากไฟล์หลายภาษา พร้อมคำใบ้ภาษา การทำ inverse text normalization การรู้จำอารมณ์ และอินพุตเสียงแบบ OpenAI-compatible

การส่งสัญญาณเสียงออกผ่านเส้นทางเฉพาะ

qwen3-tts-flash: Qwen3-TTS-Flash — ระบบสังเคราะห์เสียงพูดหลายภาษาที่มีความหน่วงต่ำ รองรับอินพุตหลายภาษาผสมกัน เสียงในตัว การจับคู่ภาษาอัตโนมัติ และการคิดค่าบริการตามจำนวนตัวอักษร

การส่งสัญญาณเสียงออกผ่านเส้นทางเฉพาะ

speech-2.8-hd: MiniMax Speech 2.8 HD — ระบบสังเคราะห์เสียงพูดความเที่ยงตรงสูง พร้อมการถ่ายทอดอารมณ์อย่างเป็นธรรมชาติ การเสริมประสิทธิภาพด้านภาษา การควบคุมเสียงพูด และรูปแบบไฟล์เสียงสำหรับงานโปรดักชัน

การส่งสัญญาณเสียงออกผ่านเส้นทางเฉพาะ

speech-2.8-turbo: MiniMax Speech 2.8 Turbo — ระบบสังเคราะห์เสียงพูดที่เน้นความเร็ว ให้เสียงที่เป็นธรรมชาติ มีการควบคุมอารมณ์ การเสริมประสิทธิภาพด้านภาษา และรองรับรูปแบบไฟล์เสียงที่ใช้กันทั่วไปในงานโปรดักชัน

การส่งสัญญาณเสียงออกผ่านเส้นทางเฉพาะ

step-tts-2: Step TTS 2 — ระบบสังเคราะห์เสียงพูดที่ถ่ายทอดอารมณ์ได้ดี พร้อมเสียงที่ให้มาอย่างเป็นทางการและเสียงที่โคลน การควบคุมความเร็วและระดับเสียง การแมปการออกเสียง และรูปแบบเอาต์พุตหลายรูปแบบ

การถอดเสียงและความเข้าใจด้านเสียง

stepaudio-2.5-asr: StepAudio 2.5 ASR — โมเดลถอดเสียงแบบสตรีมมิงขนาด 4B MTP สำหรับการรู้จำเสียงภาษาจีน-อังกฤษอย่างรวดเร็ว การทำ ITN normalization คำบรรยาย การประชุม และเอเจนต์เสียง

ขอบเขตความเข้ากันได้

OpenAI-compatible ไม่ได้หมายความว่าจะมีเส้นทางเสียงสากลเพียงเส้นทางเดียว

ชื่อเส้นทางและรูปแบบคำขอเป็นไปตามแพทเทิร์น OpenAI-compatible แต่ไคลเอนต์ต้องส่งฟิลด์เสียงที่แต่ละโมเดลกำหนด stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 ใช้ /v1/audio/speech ส่วน stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr ใช้ /v1/audio/transcriptions และ mimo-v2.5-asr, mimo-v2.5-tts ใช้ /v1/chat/completions พร้อมเพย์โหลดเสียงเฉพาะของแต่ละโมเดล

คู่มือเริ่มต้นใช้งานฉบับย่อ

คัดลอกคำขอสำหรับรุ่นและวิธีการขนส่งที่คุณต้องการ

stepaudio-2-asr-pro

การรู้จำเสียงพูด (ASR) ผ่านทาง /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

การรู้จำเสียงพูด (ASR) ผ่านทาง /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

การรู้จำเสียงพูด (ASR) ผ่านทาง /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

แปลงข้อความเป็นเสียงพูด (TTS) ผ่าน /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

การรู้จำเสียงพูด (ASR) ผ่านทาง /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"

โมเดลการป้อนเสียงของ ChinaAPI ทั้งหมดใช้ปลายทางเสียงเดียวกันหรือไม่?

No. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 ใช้ /v1/audio/speech ส่วน stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr ใช้ /v1/audio/transcriptions และ mimo-v2.5-asr, mimo-v2.5-tts ใช้ /v1/chat/completions พร้อมเพย์โหลดเสียงเฉพาะของแต่ละโมเดล

แบบจำลองการพูดคิดค่าบริการอย่างไร?

stepaudio-2-asr-pro: $0.2963 ต่อชั่วโมงเสียง; mimo-v2.5-asr: $0.074 ต่อชั่วโมงเสียง; mimo-v2.5-tts: $0 ต่อ 10k อักขระ; stepaudio-2.5-tts: $0.85 ต่อ 10k อักขระ; glm-tts: $0.35 ต่อ 10k อักขระ; qwen3-asr-flash: $0.126 ต่อชั่วโมงเสียง; qwen3-tts-flash: $0.11 ต่อ 10k อักขระ; speech-2.8-hd: $1 ต่อ 10k อักขระ; speech-2.8-turbo: $0.6 ต่อ 10k อักขระ; step-tts-2: $0.4148 ต่อ 10k อักขระ; stepaudio-2.5-asr: $0.022 ต่อชั่วโมงเสียง อัตราสื่อที่แสดงอาจรวมมาร์จิ้นบริการที่ครอบคลุมการคิดค่าอินพุต/เอาต์พุตของผู้ให้บริการ การประมวลผลการชำระเงิน ความเสี่ยงชาร์จแบ็ก และการดำเนินงาน มาร์จิ้นใด ๆ รวมอยู่ในอัตราที่แสดงแล้วและไม่ถูกบวกเพิ่มแยกต่างหาก ค่าเหล่านี้เรนเดอร์จากแคตตาล็อกโมเดล ไม่ได้คัดลอกมาไว้ในหน้านี้

ฉันสามารถใช้โมเดลเหล่านี้ได้โดยไม่ต้องมีบัญชีในประเทศจีนแผ่นดินใหญ่หรือไม่?

ใช่แล้ว ChinaAPI ให้สิทธิ์การเข้าถึงโดยไม่ต้องมีบัญชีหรือหมายเลขโทรศัพท์ในจีนแผ่นดินใหญ่ เพียงลงทะเบียนเพื่อขอคีย์ จากนั้นใช้เส้นทางและข้อมูลที่ส่งไปตามที่แสดงสำหรับรุ่นที่คุณเลือก