Skip to content

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,密钥是控制台里的 apiKey。

两家上游 ​

上游识别合成音色
阿里云百炼qwen3-asr-flash、fun-asrqwen3-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.aucseed-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:

  1. 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)
  2. 用语音转 SRT 字幕直接产出字幕文件
  3. 把时间线作为 start / end 交给剪映小助手的 add_captions,得到带字幕的草稿
  4. 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。