音频模型

处理语音、音乐和音频的 AI 模型

音频 · 阿里云

类型

全部77 聊天31 图像12 视频13 音频18 嵌入4 翻译2 重排序1工具调用2

模型厂商

cosyvoice-v3.5-plus

可用

文本转语音

TokenLab 价格— 折扣: —
官方价格: 输入$22.06输出$0.00/百万字符

qwen3.5-omni-flash-realtime

可用

工具调用视觉网页搜索

TokenLab 价格— 折扣: —
官方价格: 输入$3.97输出$15.74/1M

qwen3.5-omni-plus-realtime

可用

工具调用视觉网页搜索

TokenLab 价格— 折扣: —
官方价格: 输入$11.76输出$44.12/1M

qwen3-livetranslate-flash

可用

视觉

TokenLab 价格— 折扣: —
官方价格: 输入$1.47输出$1.47/1M

qwen3.5-livetranslate-flash-realtime

可用

视觉

TokenLab 价格— 折扣: —
官方价格: 输入$5.88输出$14.71/1M

fun-asr

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00003235/秒

fun-asr-flash-2026-06-15

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00003235/秒

fun-asr-realtime

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00004853/秒

paraformer-8k-v2

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00001177/秒

paraformer-realtime-8k-v2

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.0000353/秒

paraformer-realtime-v2

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.0000353/秒

paraformer-v2

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00001177/秒

qwen3-asr-flash

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00003235/秒

qwen3-asr-flash-filetrans

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00003235/秒

qwen3-asr-flash-realtime

可用

语音转文本

TokenLab 价格— 折扣: —
官方价格: $0.00004853/秒

qwen3-tts-flash

可用

文本转语音

TokenLab 价格— 折扣: —
官方价格: 输入$11.76输出$0.00/百万字符

qwen3-tts-flash-realtime

可用

文本转语音

TokenLab 价格— 折扣: —
官方价格: 输入$14.71输出$0.00/百万字符

sambert-zhiyuan-v1

可用

文本转语音

TokenLab 价格— 折扣: —
官方价格: 输入$14.71输出$0.00/百万字符

模型	上下文	最大输出	官方价格	TokenLab 价格	折扣
cosyvoice-v3.5-plus文本转语音	-	-	输入$22.06输出$0.00/百万字符	—	—
qwen3.5-omni-flash-realtime工具调用视觉网页搜索	197K	64K	输入$3.97输出$15.74/1M	—	—
qwen3.5-omni-plus-realtime工具调用视觉网页搜索	197K	64K	输入$11.76输出$44.12/1M	—	—
qwen3-livetranslate-flash视觉	49K	4K	输入$1.47输出$1.47/1M	—	—
qwen3.5-livetranslate-flash-realtime视觉	49K	4K	输入$5.88输出$14.71/1M	—	—
fun-asr语音转文本	-	-	$0.00003235/秒	—	—
fun-asr-flash-2026-06-15语音转文本	-	-	$0.00003235/秒	—	—
fun-asr-realtime语音转文本	-	-	$0.00004853/秒	—	—
paraformer-8k-v2语音转文本	-	-	$0.00001177/秒	—	—
paraformer-realtime-8k-v2语音转文本	-	-	$0.0000353/秒	—	—
paraformer-realtime-v2语音转文本	-	-	$0.0000353/秒	—	—
paraformer-v2语音转文本	-	-	$0.00001177/秒	—	—
qwen3-asr-flash语音转文本	-	-	$0.00003235/秒	—	—
qwen3-asr-flash-filetrans语音转文本	-	-	$0.00003235/秒	—	—
qwen3-asr-flash-realtime语音转文本	-	-	$0.00004853/秒	—	—
qwen3-tts-flash文本转语音	-	-	输入$11.76输出$0.00/百万字符	—	—
qwen3-tts-flash-realtime文本转语音	-	-	输入$14.71输出$0.00/百万字符	—	—
sambert-zhiyuan-v1文本转语音	-	-	输入$14.71输出$0.00/百万字符	—	—

全部模型系列

3 个系列

Qwen TTS

阿里云

音频文本转语音音乐+1

Auto 低至 $11.76 · 每百万字符

4 个模型打开系列

Qwen ASR

阿里云

音频语音转文本

Auto 低至 $0.00001177 · 每秒

10 个模型打开系列

Qwen Omni

阿里云

聊天音频翻译视觉+2

Auto 低至 $0.2647 · 每 1M token

7 个模型打开系列

音频模型怎么选

真正合适的模型，要同时满足任务、质量、速度和预算。

选择信号

按你实际需要的输入和输出去挑模型。
只有计价单位相同的模型才适合直接比较。
小规模测试能发现目录里看不到的质量和延迟差异。

FAQ

好的音频模型要看什么？

合适的模型要匹配任务、质量要求、延迟目标和预算。小规模评测能更直观地发现质量和稳定性差异。

之后还能换模型吗？

可以。公开模型 ID 和请求格式保持明确，同组任务对比即可。

全部模型系列

Qwen TTS

Qwen ASR

Qwen Omni

音频模型怎么选

选择信号

FAQ

好的音频模型要看什么？

之后还能换模型吗？

相关页面