计费价格
公开资料未说明
输入形式
文本 / 视频
视频配乐声音设计音画同步
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
查看 313 个模型
计费价格
公开资料未说明
输入形式
文本 / 音频
语音生成声音克隆旁白
音乐生成MiniMax稳定版
MiniMax Music 3.0
MiniMax Music 3.0 是 MiniMax 于 2026 年 8 月公开的开放权重音乐生成模型，面向生产级音乐创作和多样化音乐生成。
计费价格
公开资料未说明
生成模式
remix
音乐生成开放权重生产级创作
语音模型Deepgram稳定版
Deepgram Flux TTS
Deepgram Flux TTS 是 2026 年 8 月发布的面向实时语音 Agent 的对话式文本转语音模型，支持跨轮上下文、打断处理和流式输出。
计费价格
$0.04 / 1K characters
输入形式
文本
实时语音 Agent对话式 TTS低延迟语音
计费价格
公开资料未说明
输入形式
音频
语音转写语音输入多模态 Agent
计费价格
公开资料未说明
输入形式
文本
文本转语音语音 Agent语音输出
计费价格
公开资料未说明
输入形式
文本 / 音频
音乐生成歌曲创作开放权重
多模态模型火山预览版
SeedRealtime
SeedRealtime 是字节跳动 Seed 团队于 2026 年 8 月发布的音画全双工大模型，面向实时视觉理解、语音交互和主动式多模态协作。官方页面暂未公开稳定 API 模型 ID。
输入价格
公开资料未说明
输出价格
公开资料未说明
实时语音视觉理解全双工交互
输入价格
$0.75 / 1M Tokens
输出价格
$3.75 / 1M Tokens
通用助手低延迟视觉理解
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video / video_to_video
视频生成图生视频多模态参考
语音模型NVIDIA稳定版
NemotronLabs VoiceChat 11B
NemotronLabs VoiceChat 11B 是 NVIDIA 于 2026 年 7 月发布的端到端全双工实时语音模型，支持自然轮流对话、打断和实时工具调用。
计费价格
公开资料未说明
输入形式
音频
实时语音全双工对话语音 Agent
计费价格
公开资料未说明
生成形式
text_to_video / image_to_video / video_edit / multi_shot
多镜头视频4K 视频视频叙事
语音模型Microsoft稳定版
VibeVoice-ASR-BitNet
VibeVoice-ASR-BitNet 是 Microsoft 发布的多语言低资源语音识别模型，采用 BitNet 量化以支持 CPU 推理。
计费价格
公开资料未说明
输入形式
音频
语音识别多语言CPU 推理
多模态模型Black Forest Labs预览版
FLUX 3
FLUX 3 是 Black Forest Labs 的多模态基础模型，统一学习图像、视频和音频，并支持图像生成编辑、视频生成与原生音频。
输入价格
公开资料未说明
输出价格
公开资料未说明
视频生成图片生成原生音频
输入价格
$1.50 / 1M Tokens
输出价格
$7.50 / 1M Tokens
Agent低延迟多模态理解
输入价格
$0.30 / 1M Tokens
输出价格
$2.50 / 1M Tokens
高吞吐低成本批量处理
语音模型火山预览版
Seed Audio 1.0
Seed Audio 1.0 是字节跳动 Seed 团队于 2026 年 7 月发布的音频创作模型，面向全场景音频生成。官方页面暂未公开稳定 API 模型 ID。
计费价格
公开资料未说明
输入形式
文本 / 音频
音频生成音乐创作音效创作
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
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
生成形式
image_to_video
舞蹈视频音乐驱动开放权重