🎵 音频模型

Udio v2音乐生成

ElevenLabs 多语言语音合成模型

ElevenLabs Turbo 高速语音合成模型

Suno v3.5 音乐生成模型

Google 针对性价比和低延迟优化的文本转语音模型

Google 专业级音乐生成模型

高质量语音合成模型，支持多种音色和情感控制

MiniMax Speech 2.8 最新语音合成模型

Udio高保真AI音乐生成模型

Suno v4音乐生成

Fish Audio语音合成v2

Suno v3 音乐生成模型

Google 低延迟音频到音频模型，针对实时对话优化

文心语音合成模型

Gemini 2.5 Flash 的原生音频版本

文心语音识别模型

Google 高质量音乐片段生成模型

Google 实时音乐生成模型

MiniMax 语音合成 2.8 高清版

MiniMax 语音合成 2.8 快速版

MiniMax 音乐生成 2.6 模型

豆包语音识别模型

豆包语音合成模型

OpenAI 实时多模态模型，支持低延迟音频交互

豆包音乐生成模型

轻量级实时多模态模型

通义听悟音视频理解服务

小米语音合成模型，内置多款精品音色，支持导演级语音控制，可通过自然语言指令精细调度语速、情绪与语气

小米音色设计模型，支持通过一句自然语言描述生成全新音色，可从年龄、性别、口音、音质等多维度自由定义

小米音色克隆模型，仅需数秒参考音频即可高保真复刻人声，无需训练或微调

小米语音识别模型，支持中英双语、中文方言、Code-Switch，在强噪音、多说话人场景下表现优异

千问实时语音识别模型，适用于实时会议记录、直播字幕等场景

快速语音合成模型，低延迟适合实时场景

高效语音编解码器，助力实时交互落地

表现力语音克隆和文本转语音模型

多语言TTS，80+语言，1000万小时训练数据，Dual-AR架构

智谱AI GLM-TTS 语音合成模型

智谱AI GLM-TTS-Clone 音色克隆模型

智谱AI GLM-ASR-2512 语音识别模型

MiniMax Speech 2.6 语音合成模型

MiniMax Music 2.5 音乐生成模型

MiniMax Music 2.6 最新音乐生成模型

科大讯飞星火语音识别大模型

月之暗面 Kimi Audio 音频多模态模型

通义千问 Qwen3 Omni Flash 全模态模型

通义千问 Qwen3 TTS Flash 语音合成模型

通义千问 Qwen3 ASR Flash 语音识别模型

Udio基础音乐生成模型

阶跃 Step Audio 2 语音模型

阶跃 Step ASR 语音识别模型

Cartesia实时语音合成模型

Deepgram最新语音识别模型

Mobvoi智能语音助手

科大讯飞超拟人语音合成模型

科大讯飞语音识别大模型

科大讯飞一句话复刻模型

Cartesia开源语音合成模型

Deepgram Nova-3语音识别

ElevenLabs快速语音合成