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

Thư mục API giọng nói tiếng Trung

API giọng nói tiếng Trung dành cho nhận dạng giọng nói tự động (ASR) và chuyển văn bản thành giọng nói.

So sánh các mô hình nhận dạng giọng nói và tổng hợp giọng nói dùng được qua một ChinaAPI key. Mỗi mô hình giữ nguyên đường dẫn yêu cầu thực của nó. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 dùng /v1/audio/speech. stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr dùng /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts dùng /v1/chat/completions với payload âm thanh riêng của từng mô hình.

Bắt đầu miễn phí — nhận $2 tiền thưởng Xem giá trực tiếp

Danh mục trực tiếp

11 mô hình giọng nói, được tạo ra từ một nguồn dữ liệu duy nhất.

Model IDs, chế độ endpoint, đơn vị tính phí, năng lực và giá hiển thị đều lấy từ scripts/models-data.json, trong đó giá âm thanh được đối chiếu với gateway ChinaAPI. Mức giá media hiển thị có thể bao gồm biên lợi nhuận dịch vụ để trang trải phí đầu vào/đầu ra do nhà cung cấp tính, chi phí xử lý thanh toán, rủi ro chargeback và vận hành. Mọi khoản biên lợi nhuận đều đã nằm trong mức giá hiển thị và không bị cộng thêm riêng. Hãy kiểm tra giá trực tiếp trước khi triển khai production.

stepaudio-2-asr-pro

Nhận dạng giọng nói (ASR) · StepFun

Điểm cuối: BÀI VIẾT /v1/audio/transcriptions

Chế độ yêu cầu: OpenAI-compatible điểm cuối phiên mã

Thanh toán: $0.2963 mỗi giờ âm thanh

AudioSpeech-to-Text

mimo-v2.5-asr

Nhận dạng giọng nói (ASR) · Xiaomi

Điểm cuối: BÀI VIẾT /v1/chat/completions

Chế độ yêu cầu: Hoàn thành cuộc trò chuyện với tải trọng input_audio

Thanh toán: $0.074 mỗi giờ âm thanh

AudioSpeech-to-TextMultilingualChinese DialectsNoise Robustness

mimo-v2.5-tts

Chuyển văn bản thành giọng nói (TTS) · Xiaomi

Điểm cuối: BÀI VIẾT /v1/chat/completions

Chế độ yêu cầu: Hoàn thành cuộc trò chuyện với cấu hình tin nhắn và đầu ra âm thanh

Thanh toán: $0 mỗi 10k ký tự

Ưu đãi giá gốc miễn phí trong thời gian có hạn; kiểm tra giá trực tiếp trước khi triển khai sản phẩm.

AudioText-to-SpeechMultilingualStyle ControlBuilt-in Voices

stepaudio-2.5-tts

Chuyển văn bản thành giọng nói (TTS) · StepFun

Điểm cuối: BÀI VIẾT /v1/audio/speech

Chế độ yêu cầu: OpenAI-compatible điểm cuối lời nói

Thanh toán: $0.85 mỗi 10k ký tự

AudioText-to-SpeechContextual TTSStyle ControlBuilt-in Voices

glm-tts

Chuyển văn bản thành giọng nói (TTS) · Zhipu AI

Điểm cuối: BÀI VIẾT /v1/audio/speech

Chế độ yêu cầu: OpenAI-compatible điểm cuối lời nói

Thanh toán: $0.35 mỗi 10k ký tự

AudioText-to-SpeechStreamingEmotionVoice Control

qwen3-asr-flash

Nhận dạng giọng nói (ASR) · Alibaba

Điểm cuối: BÀI VIẾT /v1/audio/transcriptions

Chế độ yêu cầu: OpenAI-compatible điểm cuối phiên mã

Thanh toán: $0.126 mỗi giờ âm thanh

AudioSpeech-to-TextMultilingualEmotion RecognitionITN

qwen3-tts-flash

Chuyển văn bản thành giọng nói (TTS) · Alibaba

Điểm cuối: BÀI VIẾT /v1/audio/speech

Chế độ yêu cầu: OpenAI-compatible điểm cuối lời nói

Thanh toán: $0.11 mỗi 10k ký tự

AudioText-to-SpeechMultilingualBuilt-in VoicesStreaming

speech-2.8-hd

Chuyển văn bản thành giọng nói (TTS) · MiniMax

Điểm cuối: BÀI VIẾT /v1/audio/speech

Chế độ yêu cầu: OpenAI-compatible điểm cuối lời nói

Thanh toán: $1 mỗi 10k ký tự

AudioText-to-SpeechHigh FidelityEmotionMultilingual

speech-2.8-turbo

Chuyển văn bản thành giọng nói (TTS) · MiniMax

Điểm cuối: BÀI VIẾT /v1/audio/speech

Chế độ yêu cầu: OpenAI-compatible điểm cuối lời nói

Thanh toán: $0.6 mỗi 10k ký tự

AudioText-to-SpeechLow LatencyEmotionMultilingual

step-tts-2

Chuyển văn bản thành giọng nói (TTS) · StepFun

Điểm cuối: BÀI VIẾT /v1/audio/speech

Chế độ yêu cầu: OpenAI-compatible điểm cuối lời nói

Thanh toán: $0.4148 mỗi 10k ký tự

AudioText-to-SpeechVoice CloningEmotionPronunciation Control

stepaudio-2.5-asr

Nhận dạng giọng nói (ASR) · StepFun

Điểm cuối: BÀI VIẾT /v1/audio/transcriptions

Chế độ yêu cầu: OpenAI-compatible điểm cuối phiên mã

Thanh toán: $0.022 mỗi giờ âm thanh

AudioSpeech-to-TextStreamingChinese and EnglishITN

Chọn theo khối lượng công việc

ASR (Nhận dạng giọng nói tự động); TTS (Chuyển văn bản thành giọng nói) để xuất giọng nói.

Phiên âm và hiểu âm thanh

stepaudio-2-asr-pro: StepFun StepAudio 2 ASR Pro — nhận dạng giọng nói 32B tham số, lựa chọn ưu tiên độ chính xác trong dòng ASR của StepFun, trong khi stepaudio-2.5-asr là lựa chọn ưu tiên tốc độ và chi phí. Hỗ trợ tải lên tệp ogg, mp3 và wav; đầu ra bản chép lời không bị tính phí.

Phiên âm và hiểu âm thanh

mimo-v2.5-asr: Xiaomi MiMo-V2.5-ASR — nhận dạng giọng nói cho tiếng Trung, tiếng Anh, lời nói xen kẽ nhiều ngôn ngữ, phương ngữ vùng miền, bản ghi âm nhiều tạp âm, âm thanh thu từ xa, nhiều người nói và lời bài hát.

Đầu ra giọng nói có thể điều khiển

mimo-v2.5-tts: Xiaomi MiMo-V2.5-TTS — tổng hợp giọng nói đa ngôn ngữ giàu biểu cảm với các giọng dựng sẵn, chỉ dẫn phong cách bằng ngôn ngữ tự nhiên, cùng khả năng điều khiển cảm xúc, nhịp độ, ngữ điệu, phương ngữ và nhân vật.

Đầu ra giọng nói thông qua một tuyến đường chuyên dụng

stepaudio-2.5-tts: StepAudio 2.5 TTS — tổng hợp giọng nói theo ngữ cảnh với chỉ dẫn bằng ngôn ngữ tự nhiên chèn ngay trong văn bản, cách thể hiện giàu biểu cảm, các giọng dựng sẵn và đầu ra âm thanh OpenAI-compatible.

Đầu ra giọng nói thông qua một tuyến đường chuyên dụng

glm-tts: GLM-TTS — tổng hợp giọng nói nhận biết ngữ cảnh với cách thể hiện giàu biểu cảm, đầu ra dạng streaming, âm thanh đầu tiên phát ra nhanh và các điều khiển cho giọng nói, tốc độ và âm lượng.

Phiên âm và hiểu âm thanh

qwen3-asr-flash: Qwen3-ASR-Flash — chép lời tệp âm thanh đa ngôn ngữ với gợi ý ngôn ngữ, chuẩn hóa văn bản ngược, nhận diện cảm xúc và đầu vào âm thanh OpenAI-compatible.

Đầu ra giọng nói thông qua một tuyến đường chuyên dụng

qwen3-tts-flash: Qwen3-TTS-Flash — tổng hợp giọng nói đa ngôn ngữ độ trễ thấp với đầu vào pha trộn nhiều ngôn ngữ, các giọng dựng sẵn, tự động khớp ngôn ngữ và tính phí theo ký tự.

Đầu ra giọng nói thông qua một tuyến đường chuyên dụng

speech-2.8-hd: MiniMax Speech 2.8 HD — tổng hợp giọng nói độ trung thực cao với cách thể hiện cảm xúc tự nhiên, tăng cường ngôn ngữ, các điều khiển giọng nói và các định dạng âm thanh dùng cho production.

Đầu ra giọng nói thông qua một tuyến đường chuyên dụng

speech-2.8-turbo: MiniMax Speech 2.8 Turbo — tổng hợp giọng nói tập trung vào tốc độ với đầu ra tự nhiên, điều khiển cảm xúc, tăng cường ngôn ngữ và các định dạng âm thanh phổ biến dùng cho production.

Đầu ra giọng nói thông qua một tuyến đường chuyên dụng

step-tts-2: Step TTS 2 — tổng hợp giọng nói giàu biểu cảm với giọng chính thức và giọng nhân bản, điều khiển tốc độ và âm lượng, ánh xạ phát âm và nhiều định dạng đầu ra.

Phiên âm và hiểu âm thanh

stepaudio-2.5-asr: StepAudio 2.5 ASR — mô hình chép lời streaming 4B MTP cho nhận dạng nhanh tiếng Trung và tiếng Anh, chuẩn hóa ITN, phụ đề, cuộc họp và tác tử giọng nói.

ranh giới tương thích

OpenAI-compatible không có nghĩa là chỉ có một đường dẫn âm thanh duy nhất.

Tên route và cấu trúc yêu cầu tuân theo mẫu OpenAI-compatible, nhưng client phải gửi các trường âm thanh mà từng mô hình yêu cầu. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 dùng /v1/audio/speech. stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr dùng /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts dùng /v1/chat/completions với payload âm thanh riêng của từng mô hình.

Hướng dẫn nhanh

Sao chép yêu cầu về mẫu xe và phương tiện vận chuyển bạn cần.

stepaudio-2-asr-pro

Nhận dạng giọng nói (ASR) thông qua /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

Nhận dạng giọng nói (ASR) thông qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Nhận dạng giọng nói (ASR) thông qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Chuyển văn bản thành giọng nói (TTS) qua /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

Nhận dạng giọng nói (ASR) thông qua /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"

Liệu tất cả các mô hình nhận dạng giọng nói của ChinaAPI có sử dụng cùng một điểm cuối âm thanh không?

No. stepaudio-2.5-tts, glm-tts, qwen3-tts-flash, speech-2.8-hd, speech-2.8-turbo, step-tts-2 dùng /v1/audio/speech. stepaudio-2-asr-pro, qwen3-asr-flash, stepaudio-2.5-asr dùng /v1/audio/transcriptions. mimo-v2.5-asr, mimo-v2.5-tts dùng /v1/chat/completions với payload âm thanh riêng của từng mô hình.

Các mô hình giọng nói được tính phí như thế nào?

stepaudio-2-asr-pro: $0.2963 mỗi giờ âm thanh; mimo-v2.5-asr: $0.074 mỗi giờ âm thanh; mimo-v2.5-tts: $0 mỗi 10k ký tự; stepaudio-2.5-tts: $0.85 mỗi 10k ký tự; glm-tts: $0.35 mỗi 10k ký tự; qwen3-asr-flash: $0.126 mỗi giờ âm thanh; qwen3-tts-flash: $0.11 mỗi 10k ký tự; speech-2.8-hd: $1 mỗi 10k ký tự; speech-2.8-turbo: $0.6 mỗi 10k ký tự; step-tts-2: $0.4148 mỗi 10k ký tự; stepaudio-2.5-asr: $0.022 mỗi giờ âm thanh. Mức giá media hiển thị có thể bao gồm biên dịch vụ trang trải chi phí đầu vào/đầu ra của nhà cung cấp, xử lý thanh toán, rủi ro chargeback và vận hành. Nếu có, biên này đã nằm trong mức giá hiển thị và không bị cộng thêm riêng. Các giá trị này được render từ danh mục mô hình chứ không phải chép vào trang này.

Tôi có thể sử dụng các mô hình này mà không cần tài khoản tại Trung Quốc đại lục không?

Đúng vậy. ChinaAPI cung cấp quyền truy cập mà không cần tài khoản hoặc số điện thoại tại Trung Quốc đại lục. Hãy đăng ký để nhận khóa, sau đó sử dụng chính xác tuyến đường và dữ liệu được hiển thị cho kiểu máy bạn đã chọn.