计费价格
公开资料未说明
输入形式
文本
文本转语音专业配音语音交互
官方模型目录与价格对比
找模型，不只看名字，还要看能力和价格
按模型类型、上下文、价格和厂商整理官方模型目录，方便你快速筛出适合写代码、做推理、跑视觉或搭 Agent 的那一批模型。
- 已收录模型
- 1,411
- 覆盖厂商
- 70
- 带价格信息
- 525
- 推理模型
- 438
计费价格
公开资料未说明
输入形式
文本
实时语音低延迟语音交互
计费价格
公开资料未说明
输入形式
音频
实时语音 Agent低延迟转写端点检测
语音模型OpenAI稳定版
gpt-realtime-2.1
gpt-realtime-2.1 是 OpenAI 2026 年 7 月的实时语音模型，128K 上下文，支持文本、图片、音频输入，适合低延迟语音对话和语音助手。
计费价格
$4.00 / 1M Tokens
输入形式
文本 / 图像 / 音频
实时语音语音助手语音对话
语音模型NVIDIA稳定版
Nemotron-Labs Audex 2B
Nemotron-Labs Audex 2B 是 NVIDIA 于 2026 年 7 月发布的音频语言模型，支持语音识别、翻译、音频理解和语音生成任务。
计费价格
公开资料未说明
输入形式
音频 / 文本
音频理解语音识别语音翻译
计费价格
$4.00 / 1M Tokens
输入形式
文本 / 音频 / 图像
实时语音对话语音智能体深度推理
计费价格
$0.60 / 1M Tokens
输入形式
文本 / 音频 / 图像
高并发语音实时对话深度推理
语音模型AssemblyAI稳定版
Universal-3.5 Pro
Universal-3.5 Pro 是 AssemblyAI 于 2026 年 6 月发布的新一代高准确率语音识别模型，增强代码切换、说话人分离和多语言支持。
计费价格
公开资料未说明
输入形式
音频
高准确率转写说话人分离多语言录音
语音模型AssemblyAI稳定版
Universal-3.5 Pro Realtime
Universal-3.5 Pro Realtime 是 AssemblyAI 于 2026 年 6 月发布的实时语音识别模型，支持上下文感知转写和低延迟语音 Agent。
计费价格
公开资料未说明
输入形式
音频
实时转写语音 Agent低延迟交互
计费价格
公开资料未说明
输入形式
音频
语音识别多语种方言识别
计费价格
公开资料未说明
输入形式
音频
轻量语音识别多语种本地部署
语音模型通义稳定版
Qwen3 ForcedAligner 0.6B
Qwen3 ForcedAligner 0.6B 是 Qwen 2026 年 6 月发布的开放权重语音强制对齐模型，用于将语音与文本进行时间戳对齐。
计费价格
公开资料未说明
输入形式
音频 / 文本
语音对齐时间戳字幕处理
语音模型Cohere稳定版
Cohere Transcribe Arabic
Cohere Transcribe Arabic 是 Cohere 于 2026 年 6 月公开的阿拉伯语语音识别模型，支持阿拉伯语方言和英语混合转写。
计费价格
公开资料未说明
输入形式
音频
阿拉伯语识别方言转写多语语音
计费价格
公开资料未说明
输入形式
音频 / 文本
音乐生成实时音频开放模型
计费价格
公开资料未说明
输入形式
音频 / 文本
音频理解日语开放权重
语音模型Stability AI稳定版
Stable Audio 3.0 Small SFX
Stable Audio 3.0 Small SFX 是 Stability AI 面向端侧设备的音效生成模型。
计费价格
公开资料未说明
输入形式
文本
音效生成端侧部署音频创作
计费价格
公开资料未说明
输入形式
文本
音乐生成端侧部署开放权重
语音模型Stability AI稳定版
Stable Audio 3.0 Medium
Stable Audio 3.0 Medium 是 Stability AI 面向更高音乐性和更长音频生成的开放权重模型。
计费价格
公开资料未说明
输入形式
文本
音乐生成长音频开放权重
语音模型Stability AI稳定版
Stable Audio 3.0 Large
Stable Audio 3.0 Large 是 Stability AI 面向音乐平台和创意应用的高阶音频生成模型。
计费价格
公开资料未说明
输入形式
文本 / 音频
音乐生成高吞吐创意应用
语音模型通义稳定版
Qwen3.5 LiveTranslate Flash Realtime
Qwen3.5 LiveTranslate Flash 实时版，面向多语言实时音视频同传，支持低延迟语音交互。
计费价格
公开资料未说明
输入形式
文本 / 音频 / 视频
实时翻译语音交互多语言