音訊模型

模型	上下文	最大輸出長度	Official 價格	Verified 價格	折扣
speech-2.8-hd文字轉語音	10K	—	輸入$100.00輸出$0.00/百萬字元	—	—
cosyvoice-v3.5-plus文字轉語音	—	—	輸入$22.06輸出$0.00/百萬字元	—	—
eleven-v4-turbo文字轉語音	—	—	輸入$40.00輸出$0.00/百萬字元	—	—
fish-transcribe-1語音轉文字	—	—	$0.0001/秒	—	—
fun-asr語音轉文字	—	—	$0.000035/秒	—	—
fun-asr-flash-2026-06-15語音轉文字	—	—	$0.000035/秒	—	—
grok-stt語音轉文字	—	—	$0.00002778/秒	—	—
grok-tts文字轉語音	—	—	輸入$15.00輸出$0.00/百萬字元	—	—
grok-voice-latest	—	—	$0.001333/秒	—	—
grok-voice-stt語音轉文字	—	—	$0.00002778/秒	—	—
grok-voice-think-fast-2.0	—	—	$0.001333/秒	—	—
grok-voice-tts文字轉語音	—	—	輸入$15.00輸出$0.00/百萬字元	—	—
kling-tts文字轉語音	—	—	$0.007/次	—	—
minimax-music-2.6音樂	—	—	$0.15/次	—	—
minimax-speech-2-8文字轉語音	—	—	輸入$100.00輸出$0.00/百萬字元	—	—
paraformer-8k-v2語音轉文字	—	—	$0.00001177/秒	—	—
paraformer-v2語音轉文字	—	—	$0.00001177/秒	—	—
qwen3-asr-flash語音轉文字	—	—	$0.000035/秒	—	—
qwen3-asr-flash-filetrans語音轉文字	—	—	$0.000035/秒	—	—
qwen3-tts-1-7b-customvoice文字轉語音	—	—	輸入$15.00輸出$0.00/百萬字元	—	—
qwen3-tts-1-7b-voicedesign文字轉語音	—	—	輸入$15.00輸出$0.00/百萬字元	—	—
qwen3-tts-flash文字轉語音	—	—	輸入$10.00輸出$0.00/百萬字元	—	—
speech-2.8-turbo快速文字轉語音	—	—	輸入$60.00輸出$0.00/百萬字元	—	—
stable-audio-3音樂	—	—	$0.26/次	—	—

1 / 2

所有模型系列

6 個系列

Kling

Kuaishou

圖片影片音訊文字轉語音+2

Auto 會依模型採用不同計價單位

15 個型號查看系列內容

MiniMax

對話圖片影片音訊文字轉語音音樂+4

Auto 會依模型採用不同計價單位

11 個型號查看系列內容

Grok Voice

xAI

音訊文字轉語音語音轉文字+1

Auto 會依模型採用不同計價單位

6 個型號查看系列內容

Qwen Omni

Alibaba Cloud

對話音訊翻譯語音轉文字視覺辨識+3

Auto 低至 $0.15 · 每 1M Token

4 個型號查看系列內容

Stable Audio

Stability AI

音訊音樂

Auto 低至 $0.0206 · 每筆請求

4 個型號查看系列內容

Qwen TTS

Alibaba Cloud

音訊文字轉語音音樂+1

Auto 低至 $10.00 · 每百萬字元

3 個型號查看系列內容

依任務挑選音訊 API

語音生成、轉錄與即時對話的輸入、輸出和延遲需求各不相同。音訊分類標籤不代表每個模型都支援這三種功能。

選擇訊號

先選定需要的操作，再確認可接受的音訊格式、語言與長度限制。
比較對應的計價單位，可能是音訊時長、文字字元或 Token。
用代表性錄音評估口音、背景噪音、發音與輪流對話表現。

所有模型系列

Kling

MiniMax

Grok Voice

Qwen Omni

Stable Audio

Qwen TTS

依任務挑選音訊 API

選擇訊號

相關頁面