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

中国语音 API 目录

面向 ASR 与语音合成的中国语音 API

对比可通过一个 ChinaAPI key 调用的语音识别与语音合成模型。每个模型都保留其真实的请求路径。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2 使用 /v1/audio/speech。stepaudio-2-asr-pro、qwen3-asr-flash、stepaudio-2.5-asr 使用 /v1/audio/transcriptions。mimo-v2.5-asr、mimo-v2.5-tts 使用 /v1/chat/completions，并采用各模型专用的音频载荷。

免费开始 — 赠送 $2 额度 查看实时价格

实时目录

11 个语音模型，均由同一数据源生成

Model IDs、端点模式、计费单位、能力与展示价格均来自 scripts/models-data.json，其中的音频价格已与 ChinaAPI 网关对账。展示的媒体价格可能包含服务毛利，用于覆盖厂商的输入/输出计费、支付处理、拒付风险与运营成本。所有毛利均已包含在展示价格中，不会另行加收。上线生产环境前，请先查看实时价格。

stepaudio-2-asr-pro

语音识别（ASR）· StepFun

端点： POST /v1/audio/transcriptions

请求模式： OpenAI-compatible 转写端点

计费： 每音频小时 $0.2963

AudioSpeech-to-Text

mimo-v2.5-asr

语音识别（ASR）· Xiaomi

端点： POST /v1/chat/completions

请求模式： 携带 input_audio 载荷的 Chat Completions

计费： 每音频小时 $0.074

AudioSpeech-to-TextMultilingualChinese DialectsNoise Robustness

mimo-v2.5-tts

语音合成（TTS）· Xiaomi

端点： POST /v1/chat/completions

请求模式： 携带 messages 与音频输出配置的 Chat Completions

计费： 每 10k 字符 $0

上游价格限时免费；上线生产环境前，请先查看实时价格。

AudioText-to-SpeechMultilingualStyle ControlBuilt-in Voices

stepaudio-2.5-tts

语音合成（TTS）· StepFun

端点： POST /v1/audio/speech

请求模式： OpenAI-compatible 语音合成端点

计费： 每 10k 字符 $0.85

AudioText-to-SpeechContextual TTSStyle ControlBuilt-in Voices

glm-tts

语音合成（TTS）· Zhipu AI

端点： POST /v1/audio/speech

请求模式： OpenAI-compatible 语音合成端点

计费： 每 10k 字符 $0.35

AudioText-to-SpeechStreamingEmotionVoice Control

qwen3-asr-flash

语音识别（ASR）· Alibaba

端点： POST /v1/audio/transcriptions

请求模式： OpenAI-compatible 转写端点

计费： 每音频小时 $0.126

AudioSpeech-to-TextMultilingualEmotion RecognitionITN

qwen3-tts-flash

语音合成（TTS）· Alibaba

端点： POST /v1/audio/speech

请求模式： OpenAI-compatible 语音合成端点

计费： 每 10k 字符 $0.11

AudioText-to-SpeechMultilingualBuilt-in VoicesStreaming

speech-2.8-hd

语音合成（TTS）· MiniMax

端点： POST /v1/audio/speech

请求模式： OpenAI-compatible 语音合成端点

计费： 每 10k 字符 $1

AudioText-to-SpeechHigh FidelityEmotionMultilingual

speech-2.8-turbo

语音合成（TTS）· MiniMax

端点： POST /v1/audio/speech

请求模式： OpenAI-compatible 语音合成端点

计费： 每 10k 字符 $0.6

AudioText-to-SpeechLow LatencyEmotionMultilingual

step-tts-2

语音合成（TTS）· StepFun

端点： POST /v1/audio/speech

请求模式： OpenAI-compatible 语音合成端点

计费： 每 10k 字符 $0.4148

AudioText-to-SpeechVoice CloningEmotionPronunciation Control

stepaudio-2.5-asr

语音识别（ASR）· StepFun

端点： POST /v1/audio/transcriptions

请求模式： OpenAI-compatible 转写端点

计费： 每音频小时 $0.022

AudioSpeech-to-TextStreamingChinese and EnglishITN

按工作负载选择

ASR 用于音频理解，TTS 用于语音输出

转写与音频理解

stepaudio-2-asr-pro：StepFun StepAudio 2 ASR Pro——32B 参数的语音识别模型，是 StepFun ASR 系列中精度优先的选项，而 stepaudio-2.5-asr 是速度与成本优先的选项。支持上传 ogg、mp3 与 wav 文件；转写输出不计费。

转写与音频理解

mimo-v2.5-asr：Xiaomi MiMo-V2.5-ASR——面向中文、英文、语种混说、地方方言、嘈杂录音、远场音频、多说话人及歌词的语音识别。

可控的语音输出

mimo-v2.5-tts：Xiaomi MiMo-V2.5-TTS——富有表现力的多语种语音合成，提供内置音色、自然语言风格指令，以及情绪、语速、语气、方言和角色控制。

通过专用路由输出语音

stepaudio-2.5-tts：StepAudio 2.5 TTS——结合上下文的语音合成，支持行内自然语言指令、富有表现力的演绎、内置音色，以及 OpenAI-compatible 音频输出。

通过专用路由输出语音

glm-tts：GLM-TTS——上下文感知的语音合成，支持富有表现力的演绎、流式输出、首包音频快速返回，以及音色、语速和音量控制。

转写与音频理解

qwen3-asr-flash：Qwen3-ASR-Flash——多语种文件转写，支持语种提示、逆文本正则化、情绪识别，以及 OpenAI-compatible 音频输入。

通过专用路由输出语音

qwen3-tts-flash：Qwen3-TTS-Flash——低延迟的多语种语音合成，支持混合语种输入、内置音色、自动语种匹配，并按字符计费。

通过专用路由输出语音

speech-2.8-hd：MiniMax Speech 2.8 HD——高保真语音合成，具备自然的情感表达、语言增强与音色控制，并支持生产级音频格式。

通过专用路由输出语音

speech-2.8-turbo：MiniMax Speech 2.8 Turbo——注重速度的语音合成，输出自然，支持情绪控制、语言增强，以及常见的生产级音频格式。

通过专用路由输出语音

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、语速与音量控制、发音映射，以及多种输出格式。

转写与音频理解

stepaudio-2.5-asr：StepAudio 2.5 ASR——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。

兼容边界

OpenAI-compatible 并不意味着只有一个通用音频路由

路由名称与请求封装遵循 OpenAI-compatible 模式，但客户端必须发送每个模型所要求的音频字段。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2 使用 /v1/audio/speech。stepaudio-2-asr-pro、qwen3-asr-flash、stepaudio-2.5-asr 使用 /v1/audio/transcriptions。mimo-v2.5-asr、mimo-v2.5-tts 使用 /v1/chat/completions，并采用各模型专用的音频载荷。

快速开始

按所需的模型与传输方式复制请求

stepaudio-2-asr-pro

语音识别（ASR），使用 /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

语音识别（ASR），使用 /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

语音合成（TTS），使用 /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

语音合成（TTS），使用 /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

语音合成（TTS），使用 /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

语音识别（ASR），使用 /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

语音合成（TTS），使用 /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

语音合成（TTS），使用 /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

语音合成（TTS），使用 /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

语音合成（TTS），使用 /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

语音识别（ASR），使用 /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"

ChinaAPI 的所有语音模型都使用同一个音频端点吗？

不是。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2 使用 /v1/audio/speech。stepaudio-2-asr-pro、qwen3-asr-flash、stepaudio-2.5-asr 使用 /v1/audio/transcriptions。mimo-v2.5-asr、mimo-v2.5-tts 使用 /v1/chat/completions，并采用各模型专用的音频载荷。

语音模型如何计费？

stepaudio-2-asr-pro：每音频小时 $0.2963；mimo-v2.5-asr：每音频小时 $0.074；mimo-v2.5-tts：每 10k 字符 $0；stepaudio-2.5-tts：每 10k 字符 $0.85；glm-tts：每 10k 字符 $0.35；qwen3-asr-flash：每音频小时 $0.126；qwen3-tts-flash：每 10k 字符 $0.11；speech-2.8-hd：每 10k 字符 $1；speech-2.8-turbo：每 10k 字符 $0.6；step-tts-2：每 10k 字符 $0.4148；stepaudio-2.5-asr：每音频小时 $0.022。展示的媒体价格可能包含服务毛利，用于覆盖厂商的输入/输出计费、支付处理、拒付风险与运营成本。所有毛利均已包含在展示价格中，不会另行加收。这些数值由模型目录渲染生成，而非手动复制到本页。

没有中国大陆账号，也能使用这些模型吗？

可以。通过 ChinaAPI 接入无需中国大陆账号或手机号。注册获取 key，然后按所选模型列出的准确路由和请求体发起调用。