---
url: /voice.md
description: >-
  简创AIGC 语音能力文档：语音识别（ASR）与语音合成（TTS），上游含阿里云百炼与火山引擎豆包语音。ASR 走
  /v1/audio/transcriptions（0.00022~0.00025 元/秒），TTS 走
  /v1/audio/speech（按字符计费，0.8~2.8 元/万字符）。CosyVoice 3.5 没有系统音色，需使用复刻/设计音色；千问有 48
  条内置音色，豆包语音有 40 条预设音色。基地址都是 https://api.jcaigc.cn/v1。
---

# 语音

[← 返回全部能力](/)

语音分两块：\*\*语音识别（ASR）\*\*把音频转成文字，\*\*语音合成（TTS）\*\*把文字转成音频。
两块都走网关，基地址 `https://api.jcaigc.cn/v1`，密钥是[控制台](https://jcaigc.cn)里的 apiKey。

## 两家上游

| 上游 | 识别 | 合成 | 音色 |
|------|------|------|------|
| 阿里云百炼 | `qwen3-asr-flash`、`fun-asr` | `qwen3-tts-flash` / `cosyvoice-v3.5-plus` / `cosyvoice-v3.5-flash` | [千问 48 条内置](/voice/voices#千问)；[CosyVoice 3.5 需复刻/设计](/voice/voice-clone) |
| 火山引擎（豆包语音） | `volc.bigasr.auc_turbo`、`volc.seedasr.auc` | `seed-tts-2.0`（合成）、`seed-icl-2.0`（复刻音色） | [豆包语音 40 条](/voice/voices#豆包语音) |

**模型决定走哪家**：调用时把 `model` 填成对应的名字即可，网关按模型自动选上游，不用你指定。

## 语音识别（ASR）

把音频变成文字：转写成文本，需要时还能带上分句时间线。接口是 [语音转写与翻译](/voice/transcriptions)，
路径 `POST /v1/audio/transcriptions`（伴随的 `/v1/audio/translations` 行为完全一致，不做翻译）。

两个常踩的点：**豆包标准版只收公网音频地址**（要传本地文件请用极速版），
**阿里这两条识别模型的音频要小于约 7.5MB**。

### ASR 计费

按**音频时长**计费，识别成功之后扣费：

| 模型 | 单价 | 计费依据 |
|------|------|----------|
| `volc.bigasr.auc_turbo`（豆包极速版） | **0.00022 元/秒** | 音频时长；上游没返回时长时按 60 秒估算 |
| `qwen3-asr-flash` / `fun-asr`（阿里） | **0.00022 元/秒** | 同上 |
| `volc.seedasr.auc`（豆包标准版） | **0.00025 元/秒** | 同上 |

豆包标准版比极速版略贵一点（识别效果更好），拿不准用哪条时按「要不要传本地文件」选，详见[语音转写](/voice/transcriptions)。

::: tip 要 SRT 字幕或逐字时间线，走剪映小助手侧的 autosubrt
[autosubrt](/capcut-mate/#🎤-语音识别-asr) 是独立服务（基地址 `https://autosubrt.jcaigc.cn`，0.00022 元/秒，
密钥用 `apiKey`），网关这套转写接口不返回逐字时间线。
:::

## 语音合成（TTS）

把文字读成音频，可直接当配音用。三块能力：

| 能力 | 说明 | 详细 |
|------|------|------|
| 语音合成 | 一段文本 + 一个音色 ID，拿回音频文件 | [语音合成接口](/voice/tts) |
| 声音复刻 | 用参考音频做出专属音色，再拿去合成；阿里云 9.9 元/个、豆包 138 元/个 | [声音复刻](/voice/voice-clone) |
| 预设音色 | 千问 48 条内置音色 + 豆包语音 40 条（可在线试听）；CosyVoice 3.5 没有系统音色，需复刻/设计 | [音色库](/voice/voices) |

基地址 `https://api.jcaigc.cn/v1`，合成接口是 `POST /v1/audio/speech`，请求头带
`Authorization: Bearer <密钥>`（也接受 `x-api-key`），密钥是[控制台](https://jcaigc.cn)里的 apiKey。

**千问用千问的音色，豆包用豆包的音色，不能交叉使用**：`qwen3-tts-flash` 只能配千问内置音色（共 48 条，如
`Cherry` / `Serena` / `Ethan` / `Chelsie`，不支持声音复刻），拿豆包音色会被网关直接拒绝；`seed-tts-2.0` 只能配豆包音色，
拿千问音色会回一段空音频（HTTP 200，看着像「合成成功但没声音」），比报错更难发现。CosyVoice 的音色则只能配 `cosyvoice-*`。

**CosyVoice 3.5 没有系统音色**：`longanyang`、`longanhuan` 属于上一代 `cosyvoice-v3-plus`，
填给 3.5 会被上游以 418「不支持的发音人」拒绝。3.5 只能使用[声音复刻](/voice/voice-clone)
创建的专属音色，或改用 `qwen3-tts-flash` 的内置音色。

### TTS 计费

合成按**要朗读的文本字符数**计费，与上游的报价单位一致（元/万字符）：

| 模型 | 单价 |
|------|------|
| `qwen3-tts-flash`（阿里） | **0.8 元/万字符** |
| `cosyvoice-v3.5-flash`（阿里） | **0.8 元/万字符** |
| `cosyvoice-v3.5-plus`（阿里） | **1.5 元/万字符** |
| `seed-tts-2.0`（豆包合成） | **2.8 元/万字符** |
| `seed-icl-2.0`（豆包复刻音色合成） | **2.8 元/万字符** |

* 字符数按**实际发出去的文本**算，首尾空白不计；中英文都按字符数（一个字母算一个字符）。
* 训练、查询复刻音色不合成音频，不产生合成费用。
* 失败请求不计费。
* 上表是网关的出厂价目表，**线上实际生效的单价以控制台「模型与定价」展示的为准**；
  价目表里没有条目的模型一律拒绝调用（HTTP 503，`error.type = model_not_priced`），不会回落到任何默认价。

## 与剪映小助手配合

语音与剪映小助手是两个服务，但可以串成一条流水线：

1. 用[文本对齐时间线](/capcut-mate/asr_text_align.zh)把已有文案对齐到音频，拿到行级时间线（微秒）
2. 用[语音转 SRT 字幕](/capcut-mate/asr_srt.zh)直接产出字幕文件
3. 把时间线作为 `start` / `end` 交给剪映小助手的 [add\_captions](/capcut-mate/add_captions.zh)，得到带字幕的草稿
4. 用[语音合成](/voice/tts)产出配音，再通过剪映小助手的 [add\_audios](/capcut-mate/add_audios.zh) 放进草稿

需要口播视频时，把配音交给[数字人](/avatar/)即可生成口型同步的成片。
