Đầu vào
Một tệp âm thanh hoặc payload input_audio dạng base64, tùy theo api_mode của mô hình.
trung tâm năng lực âm thanh-giọng nói
Chuyển đổi giọng nói thành văn bản và phiên âm API
So sánh các mô hình phiên âm và mô hình ASR dựa trên chế độ điểm cuối chính xác, giá mỗi giờ âm thanh, đầu vào, đầu ra bản ghi và các hạn chế.
Hợp đồng
Đầu vào, đầu ra và vòng đời.
Đầu ra
Văn bản phiên âm hoặc phản hồi phiên âm có cấu trúc.
Điểm cuối
POST /v1/audio/transcriptions or POST /v1/chat/completions with input_audio, according to api_mode
Vòng đời
Chế độ đồng bộ cho các điểm cuối công khai được liệt kê. Lưu trữ bản ghi và xử lý rõ ràng các định dạng tệp bị từ chối.
Các tác vụ được hỗ trợ
Mỗi nhiệm vụ chỉ có một định nghĩa riêng.
chuyển giọng nói thành văn bản
Giới hạn: Kích thước tệp, thời lượng, nhật ký ghi âm, dấu thời gian, phạm vi phương ngữ và các định dạng được chấp nhận đều không được biết trừ khi được liệt kê rõ ràng cho mô hình.
Danh mục phù hợp
4 mô hình với siêu dữ liệu rõ ràng.
Các tính năng chưa biết sẽ bị lược bỏ, và không bao giờ được suy đoán từ tên model. Các ví dụ về giá cả sử dụng dữ liệu công khai được đồng bộ hóa; giá Dash trực tiếp vẫn là giá trị chính xác.
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, còn stepaudio-2.5-asr là lựa chọn ưu tiên tốc độ và chi phí. Nhận tệp tải lên ogg, mp3 và wav; đầu ra bản ghi không bị tính phí.
Nhiệm vụ: chuyển giọng nói thành văn bản
Điểm cuối: POST /v1/audio/transcriptions
Ví dụ về chi phí: 1 giờ âm thanh × $0.296296 = $0.296296.
mimo-v2.5-asr
MiMo-V2.5-ASR Nhận dạng giọng nói cho tiếng Trung, tiếng Anh, chuyển đổi mã ngôn ngữ, phương ngữ vùng miền, bản ghi Xiaomi nhiễu, âm thanh từ xa, nhiều người nói và lời bài hát.
Nhiệm vụ: chuyển giọng nói thành văn bản
Điểm cuối: POST /v1/chat/completions
Ví dụ về chi phí: 1 giờ âm thanh × $0.074 = $0.074.
qwen3-asr-flash
Qwen3-ASR-Flash — Chuyển đổi tệp đa ngôn ngữ thành văn bản với gợi ý ngôn ngữ, chuẩn hóa văn bản ngược, nhận diện cảm xúc và OpenAI-compatible đầu vào âm thanh.
Nhiệm vụ: chuyển giọng nói thành văn bản
Điểm cuối: POST /v1/audio/transcriptions
Ví dụ về chi phí: 1 giờ âm thanh × $0.126 = $0.126.
stepaudio-2.5-asr
2.5 một mô hình phiên ASR trực tuyến 4B để nhận StepAudio nhanh tiếng Trung-tiếng Anh, chuẩn hóa ITN, phụ đề, cuộc họp và trợ lý giọng nói.
Nhiệm vụ: chuyển giọng nói thành văn bản
Điểm cuối: POST /v1/audio/transcriptions
Ví dụ về chi phí: 1 giờ âm thanh × $0.022 = $0.022.
Hãy chạy thử hoặc ước tính trước khi đăng ký.
Tính chi phí API · Tạo yêu cầu curl, Python hoặc JavaScript
Nguồn và phương pháp: bộ dữ liệu giá mô hình công khai, cập nhật 2026-09-28. Các giới hạn đã được nêu ở trên; các nhận định của bên thứ ba vẫn nằm trên những trang mô hình có trích dẫn chúng.