按类别探索 AI 模型 API

音频与语音模型 API

适用于转录、语音和实时体验的语音识别、文本转语音及音频模型。

10 个可用模型

比较模型 API 价格与能力

打开模型详情页，查看当前价格、端点、上下文限制及相关 API。

全部模型价格

Xiaomi

mimo-v2.5-tts-voicedesign

无需参考音频，一句话描述即可生成全新音色。多维度语义理解，覆盖口音、年龄、气质与录音质感。

上下文 —

按量计费

供应商 1

免费

Xiaomi

mimo-v2.5-tts-voiceclone

数秒参考音频，即可高保真复刻目标音色。无需训练或标注，克隆后仍可叠加风格指令与情绪标签。

上下文 —

按量计费

供应商 1

免费

Xiaomi

mimo-v2.5-tts

精品音色语音合成，风格指令精准遵循。内联情绪标签逐字控制，零提示词捕捉角色气质。

上下文 —

按量计费

供应商 1

免费

Xiaomi

mimo-v2.5-asr

中英双语 + 多方言语音识别，无需语言标签，自动识别语码混用中的各语言内容。支持歌词转写，适应强噪声等复杂声学场景。

上下文 —

按次计费

供应商 1

请求$0.01/请求

SUNO

suno_wav

Suno 将已有音乐导出为 WAV 音频。

上下文 —

按量计费

供应商 1

输入$75/1M输出$75/1M

SUNO

suno_stem

Suno 音轨分离接口，用于提取人声或乐器等分轨。

上下文 —

按量计费

供应商 1

输入$75/1M输出$75/1M

SUNO

suno_music

Suno 音乐生成接口，可根据文字提示创作音乐。

上下文 —

按次计费

供应商 1

请求$0.072/请求

Alibaba

qwen3-omni-flash-realtime

千问实时音视频对话模型，可理解文本、图像和音视频输入，并流式输出文本与语音。

上下文 —

按量计费

供应商 2省40%

输入$3.584$2.1504/1M输出$7.168$4.3008/1M

Alibaba

qwen3-tts-instruct-flash-realtime

千问支持指令控制的实时文本转语音模型，可通过文字指令调整语音风格。

上下文 —

按量计费

供应商 2省40%

输入$75$45/1M输出$75$45/1M

Alibaba

qwen3.5-omni-flash-realtime

千问实时音视频对话模型，可理解文本、图像和音视频输入，并流式输出文本与语音。

上下文 —

按量计费

供应商 2省40%

输入$75$45/1M输出$75$45/1M