音频 API：音频理解与语音到语音的基础组件

输入

音频（用于理解/转写）或文本（用于合成），并使用所选模型确切的 api_mode。

输出

文本分析/转写稿，或生成的音频；除非目录元数据明确说明，否则并不意味着可以直接得到语音到语音的结果。

端点

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

生命周期

所列音频端点均为同步调用；语音到语音工作流是先做转写或音频理解，再串接一次单独的 TTS 请求。

stepaudio-2-asr-pro

StepFun StepAudio 2 ASR Pro——32B 参数的语音识别模型，是 StepFun ASR 产品线中准确率优先的选择，而 stepaudio-2.5-asr 是该产品线中速度与成本优先的选择。支持上传 ogg、mp3 与 wav 文件；转写输出不计费。

任务： 转写

端点： POST /v1/audio/transcriptions

费用示例： 1 音频小时 × $0.296296 = $0.296296。

stepaudio-2.5-chat

StepFun StepAudio 2.5 Chat：端到端语音理解模型，接收音频或文本输入并返回文本，直接从波形本身而非转写文本中读取犹豫、笑声等副语言信号。支持定制人设，涵盖角色性格、说话习惯和情绪范围；音频以 input_audio 内容片段的形式在 chat completions 中传入。如需语音回复，请使用 TTS 模型。

任务： 音频理解

端点： POST /v1/chat/completions

费用示例： 按已同步的费率，1,000 输入 + 500 输出 tokens ≈ $0.00325。

mimo-v2.5-asr

Xiaomi MiMo-V2.5-ASR——语音识别模型，适用于中文、英文、语码转换、地方方言、嘈杂录音、远场音频、多说话人和歌词。

任务： 转写

端点： POST /v1/chat/completions

费用示例： 1 音频小时 × $0.074 = $0.074。

mimo-v2.5-tts

Xiaomi MiMo-V2.5-TTS——富有表现力的多语言语音合成，提供内置音色和自然语言风格指令，可控制情感、语速、语气、方言和角色。

任务： 语音合成

端点： POST /v1/chat/completions

费用示例： 1 个 10k 字符单位 × $0 = $0。

stepaudio-2.5-tts

StepAudio 2.5 TTS——结合上下文的语音合成，支持在文本中内嵌自然语言指令，演绎富有表现力，提供内置音色和 OpenAI-compatible 音频输出。

任务： 语音合成、声音克隆

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.85 = $0.85。

glm-tts

GLM-TTS——上下文感知的语音合成，演绎富有表现力，支持流式输出、首段音频快速返回，并可控制音色、语速和音量。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.35 = $0.35。

qwen3-asr-flash

Qwen3-ASR-Flash——多语言文件转写，支持语言提示、逆文本规范化、情感识别和 OpenAI-compatible 音频输入。

任务： 转写

端点： POST /v1/audio/transcriptions

费用示例： 1 音频小时 × $0.126 = $0.126。

qwen3-tts-flash

Qwen3-TTS-Flash——低延迟的多语言语音合成，支持混合语言输入、内置音色和自动语言匹配，按字符计费。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.11 = $0.11。

speech-2.8-hd

MiniMax Speech 2.8 HD——高保真语音合成，情感演绎自然，支持语言增强、音色控制和生产级音频格式。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $1 = $1。

speech-2.8-turbo

MiniMax Speech 2.8 Turbo——侧重速度的语音合成，输出自然，支持情感控制、语言增强和常用的生产级音频格式。

任务： 语音合成

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.6 = $0.6。

step-tts-2

Step TTS 2——富有表现力的语音合成，支持官方音色与克隆音色、语速和音量控制、发音映射以及多种输出格式。

任务： 语音合成、声音克隆

端点： POST /v1/audio/speech

费用示例： 1 个 10k 字符单位 × $0.414815 = $0.414815。

stepaudio-2.5-asr

StepAudio 2.5 ASR——一款 4B MTP 流式转写模型，适用于快速中英文识别、ITN 规范化、字幕、会议和语音 Agent。

任务： 转写

端点： POST /v1/audio/transcriptions

费用示例： 1 音频小时 × $0.022 = $0.022。