การแปลงข้อความเป็นเสียงพูด API : เสียงพูด การควบคุม และการส่งออกเสียง

ข้อมูลนำเข้า

ข้อความ พร้อมด้วยเสียงในตัว หรือการควบคุมการออกแบบ/คัดลอกเสียงที่รองรับอย่างชัดเจน

เอาต์พุต

ไฟล์เสียงพูดในรูปแบบที่รองรับโดยโมเดล หรือช่องเสียงในข้อความตอบกลับแชท

จุดสิ้นสุด

POST /v1/audio/speech or POST /v1/chat/completions, according to api_mode

วงจรชีวิต

ซิงโครนัส บันทึกการตอบสนองเสียงแบบไบนารี หรือถอดรหัสฟิลด์เสียงที่ส่งคืนโดยโหมดแชท

mimo-v2.5-tts

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

หน้าที่: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

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: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

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: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.307692k ตัวอักษร × $0.307692 = $0.307692 .

qwen3-tts-flash

Qwen3-TTS-Flash การสังเคราะห์เสียงหลายภาษาที่มีความหน่วงต่ำ พร้อมการป้อนข้อมูลแบบผสมภาษา เสียงพูดในตัว การจับคู่ภาษาอัตโนมัติ และการคิดค่าบริการตามจำนวนตัวอักษร

หน้าที่: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.123077k ตัวอักษร × $0.123077 = $0.123077 .

speech-2.8-hd

MiniMax พูด 2.8 HD — การสังเคราะห์เสียงพูดคุณภาพสูง พร้อมการถ่ายทอดอารมณ์ที่เป็นธรรมชาติ การปรับปรุงคุณภาพภาษา การควบคุมด้วยเสียง และรูปแบบเสียงสำหรับการผลิต

หน้าที่: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.538462k ตัวอักษร × $0.538462 = $0.538462 .

speech-2.8-turbo

MiniMax Speech 2.8 Turbo — การสังเคราะห์เสียงพูดที่เน้นความเร็ว ให้เสียงที่เป็นธรรมชาติ ควบคุมอารมณ์ ปรับปรุงคุณภาพภาษา และรองรับรูปแบบเสียงที่ใช้กันทั่วไปในการผลิต

หน้าที่: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.307692k ตัวอักษร × $0.307692 = $0.307692 .

step-tts-2

ขั้นตอนที่ TTS 2 — การสังเคราะห์เสียงพูดที่แสดงอารมณ์ด้วยเสียงทางการและเสียงจำลอง การควบคุมความเร็วและระดับเสียง การแมปการออกเสียง และรูปแบบเอาต์พุตหลายรูปแบบ

หน้าที่: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.4k ตัวอักษร × $0.4 = $0.4 .

step-tts-mini

Step TTS — ระบบสังเคราะห์เสียงพูดที่มีประสิทธิภาพและคุ้มค่าสำหรับภาษาจีน อังกฤษ ญี่ปุ่น กวางตุ้ง และเสฉวน พร้อมเสียงทางการและเสียงเลียนแบบ

หน้าที่: วิดีโอพร้อมเสียง, การแปลงข้อความเป็นเสียงพูด

จุดสิ้นสุด: POST /v1/audio/speech

ตัวอย่างค่าใช้จ่าย: 1 10.15k ตัวอักษร × $0.15 = $0.15 .