主题切换
语音
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;CosyVoice 3.5 需复刻/设计 |
| 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 |
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, 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。
要 SRT 字幕或逐字时间线,走剪映小助手侧的 autosubrt
autosubrt 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 |
| 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 |
| 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 |
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 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:
- 用文本对齐时间线把已有文案对齐到音频,拿到行级时间线(微秒)
- 用语音转 SRT 字幕直接产出字幕文件
- 把时间线作为
start/end交给剪映小助手的 add_captions,得到带字幕的草稿 - 用语音合成产出配音,再通过剪映小助手的 add_audios 放进草稿
需要口播视频时,把配音交给数字人即可生成口型同步的成片。
