Skip to main content
袋袋专家提供两项语音能力：将文字转化为自然人声的语音合成 (TTS)，以及将音频文件转录为文字的语音识别 (ASR)。

​
两大能力

语音合成 TTS

将文本内容转换为自然流畅的语音音频。支持多种音色，适合有声内容创作。

语音识别 ASR

将音频文件中的语音转录为文字。支持长音频，适合会议记录和内容整理。

​
语音合成 (TTS)

​
使用方式

在对话中告诉专家你想将哪些内容转为语音，音频会以文件卡片的形式直接出现在对话里，可试听和下载：
先选语音模型：TTS 用的是模型选择器里的「语音模型」，没选就直接失败（提示”未选择语音模型”），这个不会自动回落到你的对话模型。 批量生成走 tts_batch，一次提交多段文本，并发上限 20，适合把长稿切段配音。

​
音色选择

你可以在请求中指定偏好的音色类型。不同模型提供的音色选项不同，通常包括：
  • 男声 / 女声
  • 年轻 / 成熟
  • 温柔 / 有力
  • 新闻播报 / 日常对话
不确定选哪个音色？让专家用不同音色各读一句试听，选定后再生成完整内容。

​
适用场景

将文字稿件转为有声内容，快速制作有声书或音频课程的样片。
为视频内容生成旁白配音，搭配视频生成能力使用。
将文档、网页内容转为语音，方便视障用户或不便阅读时的信息获取。
将文字内容快速转为音频格式，发布到播客或音频平台。

​
语音识别 (ASR)

​
使用方式

1

上传音频文件

将需要转录的音频文件（如 MP3、WAV、M4A 等）拖拽到对话框或点击附件上传。
2

请求转录

告诉专家你需要做什么，例如”帮我把这段录音转成文字”或”提取会议记录的要点”。
3

获取结果

专家会返回转录后的文字内容。你可以进一步让专家整理格式、提炼摘要或翻译成其他语言。

​
适用场景

上传会议录音，让专家转录并整理出结构化的会议纪要，包含议题、决议和待办事项。
将采访录音转为文字稿，专家还可以帮你区分不同发言者。
录音转文字后，让专家提炼知识点、生成思维导图或整理学习笔记。
转录后可直接让专家翻译，实现”听一种语言，读另一种语言”的工作流。
转录完成后，可以直接让专家对文字内容做进一步处理——总结要点、提取关键信息、生成待办清单等，无需切换工具。

​
使用建议

  • 音频质量直接影响识别准确率。尽量使用清晰、低噪音的录音
  • 非常嘈杂的环境录音可能导致转录出现遗漏或错误
  • 专业术语或生僻名词可能需要在转录后人工校正

​
计费说明

TTS 到底按「每字符」还是「每万字符」结算，由该模型在后台配置的计价单位决定——数据库配置是唯一真相源，运行时上报的单位只是缺省提示。所以同样一段文本换个语音模型，账单口径可能不同。字符计量用的是 MiniMax 口径：一个汉字算 2 个字符，一个英文字母算 1 个。所以 500 字中文稿约等于 1,000 字符，别按肉眼字数估。
对话输入框里的语音输入是免费的，不走上面的 ASR 计费——POST /api/audio/transcribe 没有接计费链路。产生费用的是转写结果进入对话后那一轮的 token 消耗。上表的 ASR 计费适用于专家在任务中主动调用语音识别处理音频文件的场景（比如”把这段会议录音整理成纪要”）。两者是不同的入口，别混。
各模型费率是运营数据，以模型选择器为准；算法固定，见 计费公式。

​
失败与对策

音频格式支持 wav / mp3 / m4a / webm。上传音频同样受单文件上限约束（音频归「其他」类，512 MB），完整清单见 限额表。