APIMODELSAPIMODELS
API 文档

apimodels.app

获取 API 密钥模型市场

语音合成 API

全部语音模型与价格

下列所有模型通过统一 API、一个 key 即可调用。点击模型查看完整 playground 与文档。

模型model 参数价格说明
Grok Voice 3.0grok-voice-3.0$0.104 / minGrok Voice 3.0 是 xAI 在 2026 年 10 月 14 日发布的实时语音对话模型,专为语音智能体(voice agent)设计。它是端到端的 speech-to-speech:说进去的是语音,回过来的也是语音,中间不再串联「语音识别 → 大模型 → 语音合成」三段。xAI 的发布公告援引 Artificial Analysis 2026 年 10 月 13 日的数据:Speech-to-Speech 榜单第一,86.9 分。和上一代 Grok Voice 2.0 相比,第三方报道给出的变化是:综合指数 81.3 → 86.9,tau-Voice 客服任务基准 56.5% → 71.6%,全双工轮次切换 95.1% → 97.0%;首个音频返回时间则从 0.70 秒变成 0.81 秒,略慢了一点。 在 apimodels.app 上调用只有一个入口:WebSocket 连 wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0。服务端直接在请求头里带 Authorization: Bearer 你的 API Key;浏览器不能给 WebSocket 设请求头,就先由你的服务端调 POST https://api.apimodels.app/v1/realtime/client_secrets 换一个 10 到 600 秒有效的临时令牌,浏览器再用子协议 xai-client-secret.<令牌> 连接,API Key 永远不出现在前端。事件协议就是 xAI 的 Voice Agent API,和 OpenAI Realtime 的事件模型大体兼容。音频默认 16 位 PCM、24 kHz、单声道;28 个内置音色每一个都能说所有支持的语言,覆盖 20 多种语言并自动识别,中文在内,不需要专门挑一个「中文音色」。函数调用不额外收费;web_search、x_search、file_search、mcp 这类服务端工具暂不开放。 价格:按连接时长每分钟 $0.104,按秒结算,90 秒的一通对话 $0.156;用 conversation.item.create 发送的每条文本消息另收 $0.0052。连接时余额至少要够一分钟($0.104),每分钟开始时扣这一分钟,会话结束时把没用完的秒数退回;中途余额用完会收到 insufficient_balance 错误并断开;连不上模型不扣费。单次会话最长 60 分钟,每个账号最多 5 路并发,10 分钟没有任何客户端事件会自动断开。一个 Key 同时调 140 多个模型,不用单独注册 xAI 账号、不用海外信用卡,每次会话都会作为一条记录出现在控制台调用记录里,写明时长和费用。
Kling Custom Voicekling-custom-voice$0.006 per callKling Custom Voice 从音频样本创建可复用的自定义音色:上传 5–30 秒、干净的单人音频(.mp3/.wav/.mp4/.mov),或引用一个历史视频 ID。生成的音色可用于 Kling TTS 与可灵对口型模型,让数字人 / 旁白用你的专属嗓音说话,再对到视频做口型同步。
Kling Face Recognitionkling-identify-face$0.01 per callKling Face Recognition 在视频里识别人脸:传入 videoUrl 或 videoId,返回 sessionId 与一组 faceId。这些 ID 用于 Kling Lip-Sync Video——它是对口型流程的第一步,让你在多人视频里精确选定要对口型的那张脸,再对该人脸对齐音频。
Kling Sound Effectskling-sound-effects$0.044 per callKling Sound Effects 从文字描述生成音效(text-to-SFX),输出 3–10 秒音频。用自然语言描述想要的声音——「玻璃破碎」「雨打窗户」「碎石上的脚步声」——即可得到对应音效,适合游戏、视频与短片的拟音与氛围声,无需录音或购买素材库。
Kling Video-to-Audiokling-video-to-audio$0.044 per callKling Video-to-Audio 为视频自动生成匹配的音效与背景音乐(SFX + BGM),支持 3–20 秒视频,并提供 ASMR 模式。是给无声片快速配上贴合氛围与配乐的便捷方式,把原始或生成的片段变成沉浸式、可直接分享的内容。
Kling TTSkling-tts$0.01 per callKling TTS 是可灵的文本转语音,提供多种预置音色、可调语速,支持多语言,适合给视频、口播、提示音快速生成旁白。想用自己的嗓音,先用 Kling Custom Voice 克隆再在这里选用;同样的音色也可用于可灵对口型(Lip-Sync)模型。
Fish Audio S2.1 Profish-s2.1-pro$0.005 起 / 1K UTF-8 bytesFish Audio S2.1 Pro 是一个覆盖 83 个语种的语音合成模型,在我们这里最值钱的特点是语音克隆:传一段十秒以上的干净样本,二十秒内拿到一个音色 id,之后每次合成把这个 id 当 reference_id 传进去就行。**前 20 个音色免费**,超过 20 个在存的音色之后每多开一个槽位 $1;删掉一个会把槽位腾出来,所以这笔钱收的是「长期占着很多音色」,不是克隆这个动作本身。输出支持 mp3、wav、pcm、opus 四种格式,语速可在 0.5 到 2.0 之间调。 它有两个计费档,跑的是同一个模型、音质没有差别:标准档 fish-s2.1-pro,$0.03 每千 UTF-8 字节;经济档 fish-s2.1-pro-free,$0.005。经济档便宜六倍,换来的是速度和保证 —— 同样 2000 字节的文本我们实测标准档 17 秒、经济档 41 秒,上游也明说这一档是尽力而为、不承诺首字延迟和可用性,而且可能把这一档的请求用于改进模型。验证音色、跑原型用经济档;有人在等这段音频,或者文本不希望被留存,就用标准档。 要特别留意计价单位:这个模型按【UTF-8 字节】收,而不是像站内其它语音模型那样按字符。一个汉字是 3 字节,一个拉丁字母是 1 字节——标准档英文 1000 字符是 $0.03,中文 1000 字是 3000 字节、$0.09。做预算时请按字节算,不要按字数估。 Fish 官方授权音色(音色库里标 licensed 的)按 2 倍计价,标准档每千字节 $0.06,经济档不能用;社区音色和你自己克隆的音色照常计价。
Fish Audio Drama 3fish-drama-3$0.065 / 1K UTF-8 bytesFish Audio Drama 3 是 Fish Audio 2026 年 10 月 13 日发布的语音合成模型,目标是「演」而不是平铺直叙地读。表演指示直接写在文本里:在一句话前面加方括号,比如 [强忍着、挤出笑容],这句话的语气就跟着变;<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> 这几个成对标签只改它包住的那几个词。指示用英文写或用你自己的语言写都可以。 一次请求就能做完一整场戏:把 reference_id 传成音色 id 数组,在文本里用 <|speaker:0|>、<|speaker:1|> 切换说话人,<|speaker:0|> 用数组里的第一个音色,最多 16 人。人名、术语的读音可以用音素标签钉死:英文用 CMU 音标,中文用拼音,日文用罗马音。覆盖 83 个语种;Fish Audio 援引 Artificial Analysis 的发音准确度测试,Drama 3 为 93.2%,S2.1 Pro 为 88.1%。 计价和 S2.1 Pro 一样按【UTF-8 字节】算,一个汉字是 3 字节:**每千字节 $0.065,2026 年 11 月 12 日前特价 $0.025**。英文 1000 字符 $0.065,中文 1000 字是 3000 字节、$0.195;特价期间分别是 $0.025 和 $0.075。Fish 官方授权音色(音色库里标 licensed 的)按 2.5 倍计价:每千字节 $0.1625,特价期间 $0.0625;社区音色和自己克隆的音色照常计价。我们实测英文 1000 字符 9.6 秒合成完,出来 89 秒音频。只是平铺直叙地朗读、不需要表演指示的话,用 S2.1 Pro($0.03 / 千字节)更合适。
Minimax Speech 2.8 HDminimax-speech-2.8-hd$0.063 / 1K charsMiniMax speech-2.8-hd 是 MiniMax(海螺)最新的高保真 TTS,能从上下文预测情感与语调,生成极自然、富表现力的个性化语音,适合社交、播客、有声书、新闻、教育与数字人。支持声音克隆,$0.063/千字符。要又快又省可选 2.8 Turbo,要前代高保真可选 02 HD。汉字按 2 个字符计费(与 MiniMax 计字规则一致),字母、数字、空格和标点按 1 个。
Minimax Speech 2.8 Turbominimax-speech-2.8-turbo$0.04 / 1K charsMiniMax speech-2.8-turbo 是 MiniMax(海螺)最新的快速、经济 TTS,在大批量合成上有最佳性价比,韵律自然、多语言支持强。支持声音克隆,$0.04/千字符(约 $0.4/一万字符)。要最高保真选同系列的 2.8 HD($0.063/千字符)。汉字按 2 个字符计费(与 MiniMax 计字规则一致),字母、数字、空格和标点按 1 个。
Minimax Speech 2.6 HDminimax-speech-2.6-hd$0.063 / 1K charsMinimax Speech 2.6 HD 是 MiniMax(海螺)的高清异步文本转语音模型,主打丰富表现力与自然韵律,是其用于成品配音与内容创作的高质量档位。支持声音克隆(Voice Clone,用一段音频样本复刻已有音色),再用该音色合成语音,适合需要稳定、专属音色的品牌口播、有声书与数字人。按字符计费,$0.063 / 千字符(约 $0.63 / 一万字符);系统预置音色不收额外费用,失败不扣费。汉字按 2 个字符计费(与 MiniMax 计字规则一致),字母、数字、空格和标点按 1 个。
Minimax Speech 02 HDminimax-speech-02-hd$0.063 / 1K charsMiniMax speech-02-hd 是 MiniMax(海螺)的高保真 TTS,能从上下文智能预测情感与语调,生成极自然、个性化的语音,在社交、播客、有声书、新闻、教育与数字人等场景表现强。支持声音克隆,$0.063/千字符;系统预置音色不额外收费。更新一代为 speech-2.8-hd,要又快又省可选 Turbo 档。汉字按 2 个字符计费(与 MiniMax 计字规则一致),字母、数字、空格和标点按 1 个。
Minimax Speech 02 Turbominimax-speech-02-turbo$0.04 / 1K charsMinimax Speech 02 Turbo 是 MiniMax(海螺)快速、经济的异步 TTS,支持声音克隆、发音词典与多语言增强,$0.04/千字符(约 $0.4/一万字符),适合大批量、对成本敏感的语音合成。要最高保真可上 HD 档(2.6 HD / 2.8 HD / 02 HD,$0.063/千字符);2.8 系列为最新。汉字按 2 个字符计费(与 MiniMax 计字规则一致),字母、数字、空格和标点按 1 个。
Eleven Flash v2.5eleven-tts-flash$0.0425 / 1K charsEleven Flash v2.5 是 ElevenLabs 的超低延迟文本转语音,支持 32 种语言,并支持 SSML 与音素控制,价格约低 50%。极低延迟使它非常适合实时对话场景——语音助手、客服机器人、互动 NPC。要更高质量(稍高延迟)选 Turbo v2.5;要最逼真选 Multilingual v2 或表现力最强的 Eleven v3。
Eleven Turbo v2.5eleven-tts-turbo$0.0425 / 1K charsEleven Turbo v2.5 是 ElevenLabs 高质量、低延迟的文本转语音,支持 32 种语言与 SSML,价格约低 50%。它在质量与速度间取得平衡,是重响应速度的开发场景的稳妥默认。要最低延迟选 Flash v2.5;要最逼真、富情感选 Multilingual v2 或 Eleven v3。
Eleven Multilingual v2eleven-tts-multilingual$0.085 / 1K charsEleven Multilingual v2 是 ElevenLabs 最逼真、情感最丰富的文本转语音档,支持 29 种语言,最适合配音、有声书与后期制作等对音质与情感表现要求高的场景。要低延迟实时对话选 Flash 或 Turbo v2.5;要最强表现力与音频标签控制,见 Eleven v3。
Suno 音乐生成(v4/v5)suno-v5$0.26 per song (2 variants)Suno 是音乐生成模型,不是文字转语音:给一句话,它把旋律、编曲、演唱和歌词一起写出来。在 APIMODELS 上只用一个模型名 `suno-v5`,具体走哪种模式由"你传了哪些字段"自动决定 —— 灵感模式(只给一句描述,歌词由它写)、自定义模式(唱你自己的词,支持 [Verse]/[Chorus] 结构标记)、纯音乐模式(无人声),以及续写、翻唱、局部改写(infill)、加伴奏、加人声、重制、哼唱成曲、拼接、歌手风格复用(persona)和音效。模型版本用 mv 参数指定,chirp-v5(默认)、chirp-v5-5、chirp-v4-5、chirp-v4 均可,不必换模型名。异步接口:提交拿 taskId,轮询取成品 mp3。计费按调用次数:歌曲 $0.26/次、每次返回 2 个版本(即单曲 $0.13),并附封面图与完整歌词;音效 $0.05/次;生成歌词和创建 persona 免费。适合短视频与广告配乐、游戏与 App 原声、品牌 jingle、播客片头片尾。请仅将生成音乐用于你有权使用的场景。
Eleven v3eleven-tts-v3$0.085 / 1K charsEleven v3 是 ElevenLabs 表现力最强的文本转语音模型,覆盖 70+ 种语言。它最大的特色是「音频标签」(Audio Tags):在文本里写 [laughs]、[whispers]、[sighs] 等标记,即可直接控制笑声、耳语、叹息等情绪与副语言表现,让配音远比平铺直叙的 TTS 更像真人。适合对情感与细腻度要求高的内容:有声书、游戏角色、播客、动画与短视频配音。只需快速、低成本的常规旁白时,选 ElevenLabs 的 Turbo / Flash 档更划算。
Eleven v4eleven-tts-v4$0.08 / 1K charsEleven v4 是 ElevenLabs 2026 年 9 月发布的最新文本转语音模型,也是它音质最高的一代。相比 v3,节奏更稳、情绪更可信,长段落里同一个声音也能保持一致,语言覆盖扩大到 85 种;[laughs]、[whispers] 这类音频标签照样可以写在文本里使用。适合做成品音频:有声书、广告配音、游戏角色和旁白。在 apimodels.app 上用 model "eleven-tts-v4" 调 POST /v1/tts/stream,单次最多 3000 字符。每千字符 $0.08,与 ElevenLabs 官方价相同。
Eleven v4 Turboeleven-tts-v4-turbo$0.04 / 1K charsEleven v4 Turbo 用 v4 这一代的音色,但速度做到实时级别,中位延迟约 100 毫秒,适合语音助手、实时对话和任何在意「第一声出来得快不快」的应用。语言覆盖和 v4 一样是 85 种,价格是 v4 的一半。在 apimodels.app 上用 model "eleven-tts-v4-turbo" 调 POST /v1/tts/stream,流式返回音频,单次最多 3000 字符。每千字符 $0.04,与 ElevenLabs 官方价相同,是 v4 的一半。
ElevenLabs Dialogueeleven-dialogue$0.085 / 1K charsElevenLabs Dialogue 是多角色对话生成模型,能让多个说话人自然轮替、对话流畅,适合播客、有声书与互动内容。相比单人 TTS,它专为多人对话优化,声音混合与衔接更自然。要单人朗读(旁白、单口有声书)用 ElevenLabs 的 TTS 档(Flash / Turbo / Multilingual / v3);要多角色对话用 Dialogue。
Voice Isolatoreleven-isolator$0.102 / minVoice Isolator(人声分离)从背景噪声、音乐与环境音中提取干净的人声,用于后期制作。适合清理录音、播客 / 访谈降噪,以及为配音 / 译制准备干净的人声轨——常作为转写、TTS 对齐或重新混音前的第一步。
AI Dubbingeleven-dubbing$0.55 / minAI Dubbing 是 ElevenLabs 的音视频翻译配音模型:把一段音频或视频翻译成另一种语言,同时保留原说话人的情感、节奏与语调,再自动做口型同步与声音克隆,让译制后听起来仍是「同一个人在说另一种语言」,支持约 29 种语言。它为「快速本地化已有视频 / 播客、无需重新找配音演员」而生:出海内容分发、多语言课程与教程、访谈 / 播客译制。配合平台其它语音与视频模型,可串起「翻译 → 配音 → 口型同步」的完整流程。
ElevenLabs Sound Effects v3eleven-sfx-v3$0.003 per secondElevenLabs Sound Effects v3(SFX v3,ElevenLabs 于 2026 年 10 月 29 日发布)根据一段文字描述生成 0.5–30 秒的音效。和 SFX v2 相比,它能把一句提示词里先后写的几个声音都做出来——比如观众欢呼、球落地、接着一片嘘声;能处理带音乐或人声的描述;听感更自然,锣、风铃、哨子这类高频声音也更不容易爆音。把 loop 设为 true,就能得到首尾无缝衔接、可以反复播放的循环音,适合环境声铺底和游戏背景。按你请求的时长计费,每秒 $0.003;不传时长默认生成 5 秒。像「敲四下门」这样的精确次数不一定照做,需要卡准节拍的音效别依赖它。

常见问题

API 支持哪些音频模型?

ElevenLabs 与 MiniMax TTS、Suno v5 音乐生成(有专页),以及 Kling TTS、音效、视频转音频、配音——统一端点和 Key。

怎么生成音乐(Suno)?

在 POST /api/v1/audio/generations 用 model suno-v5,模式(灵感/自定义/翻唱/哼唱成曲…)由字段自动识别。详见 Suno 专页。