音频模型

模型	上下文	最大输出	Official 价格	Verified 价格	折扣
speech-2.8-hd文本转语音	10K	—	输入$100.00输出$0.00/百万字符	—	—
cosyvoice-v3.5-plus文本转语音	—	—	输入$22.06输出$0.00/百万字符	—	—
eleven-v4-turbo文本转语音	—	—	输入$40.00输出$0.00/百万字符	—	—
fish-transcribe-1语音转文本	—	—	$0.0001/秒	—	—
fun-asr语音转文本	—	—	$0.000035/秒	—	—
fun-asr-flash-2026-06-15语音转文本	—	—	$0.000035/秒	—	—
grok-stt语音转文本	—	—	$0.00002778/秒	—	—
grok-tts文本转语音	—	—	输入$15.00输出$0.00/百万字符	—	—
grok-voice-latest	—	—	$0.001333/秒	—	—
grok-voice-stt语音转文本	—	—	$0.00002778/秒	—	—
grok-voice-think-fast-2.0	—	—	$0.001333/秒	—	—
grok-voice-tts文本转语音	—	—	输入$15.00输出$0.00/百万字符	—	—
kling-tts文本转语音	—	—	$0.007/次请求	—	—
minimax-music-2.6音乐	—	—	$0.15/次请求	—	—
minimax-speech-2-8文本转语音	—	—	输入$100.00输出$0.00/百万字符	—	—
paraformer-8k-v2语音转文本	—	—	$0.00001177/秒	—	—
paraformer-v2语音转文本	—	—	$0.00001177/秒	—	—
qwen3-asr-flash语音转文本	—	—	$0.000035/秒	—	—
qwen3-asr-flash-filetrans语音转文本	—	—	$0.000035/秒	—	—
qwen3-tts-1-7b-customvoice文本转语音	—	—	输入$15.00输出$0.00/百万字符	—	—
qwen3-tts-1-7b-voicedesign文本转语音	—	—	输入$15.00输出$0.00/百万字符	—	—
qwen3-tts-flash文本转语音	—	—	输入$10.00输出$0.00/百万字符	—	—
speech-2.8-turbo快速文本转语音	—	—	输入$60.00输出$0.00/百万字符	—	—
stable-audio-3音乐	—	—	$0.26/次请求	—	—

1 / 2

全部模型系列

6 个系列

Kling

快手

图像视频音频文本转语音+2

Auto 按不同模型采用不同计价单位

15 个模型打开系列

MiniMax

聊天图像视频音频文本转语音音乐+4

Auto 按不同模型采用不同计价单位

11 个模型打开系列

Grok Voice

xAI

音频文本转语音语音转文本+1

Auto 按不同模型采用不同计价单位

6 个模型打开系列

Qwen Omni

阿里云

聊天音频翻译语音转文本视觉+3

Auto 低至 $0.15 · 每 1M token

4 个模型打开系列

Stable Audio

Stability AI

音频音乐

Auto 低至 $0.0206 · 每次请求

4 个模型打开系列

Qwen TTS

阿里云

音频文本转语音音乐+1

Auto 低至 $10.00 · 每百万字符

3 个模型打开系列

按音频任务选择 API

语音生成、转写和实时对话的输入、输出及延迟要求不同。属于音频分类不代表模型同时支持三种任务。

选择信号

按所需操作核对音频格式、语言和长度限制。
使用对应计费单位比较，可能涉及音频时长、文本字符或 token。
用有代表性的录音检查口音、背景噪声、发音和对话轮次衔接。

全部模型系列

Kling

MiniMax

Grok Voice

Qwen Omni

Stable Audio

Qwen TTS

按音频任务选择 API

选择信号

相关页面