语音生成与转写

语音专项包含文字转语音（TTS）和语音转文字（STT）。 使用本站统一接口和 ZCloudAPI Key，不需要填写供应商地址或供应商密钥。

模型与计费

在控制台创建「语音专项」分组的 Key，也可以使用包含语音专项的 AUTO Key。模型白名单和自定义 AUTO 顺序仍然有效。

模型名称	功能	语音专项 1.0× 价格
`openai/gpt-4o-mini-tts`	文字转语音	¥8.55 / 百万输入字符
`openai/gpt-transcribe`	语音转文字	¥0.052 / 音频分钟
`openai/gpt-4o-mini-transcribe`	语音转文字	输入 ¥14.45、输出 ¥57.77 / 百万 Token

以上为 2026-10-23 配置，实际价格以模型广场及调用分组为准。平台额度按人民币 1:1 展示，不是美元充值汇率。

TTS 按输入 Unicode 字符计数，包含空格和标点；字符与 Token 不是一回事。
GPT Transcribe 按音频时长计费，向上取整到秒，再按每分钟价格折算，不是每次至少收一分钟。
Mini Transcribe 按实际输入、输出 Token 计费，不按录音分钟统一收费。

文字转语音

先设置环境变量，密钥只放在本机环境或服务端 Secret 中：

export ZCLOUD_API_KEY="sk-你的-ZCloudAPI-Key"
export ZCLOUD_BASE_URL="https://api.zcloudapi.com/v1"

默认直接返回 MP3 音频：

curl --fail-with-body "$ZCLOUD_BASE_URL/audio/speech" \
  -H "Authorization: Bearer $ZCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o-mini-tts",
    "input": "欢迎使用语音服务，明天上午九点开会。",
    "voice": "alloy",
    "response_format": "mp3"
  }' \
  --output speech.mp3

如果需要下载链接，增加本站参数 output_format: "url"：

curl --fail-with-body "$ZCLOUD_BASE_URL/audio/speech" \
  -H "Authorization: Bearer $ZCLOUD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o-mini-tts",
    "input": "欢迎使用语音服务。",
    "voice": "alloy",
    "response_format": "mp3",
    "output_format": "url"
  }'

{
  "url": "https://<OSS域名>/<对象路径>?<签名参数>",
  "expires_at": 1790000000,
  "format": "mp3"
}

示例时间仅说明字段类型。expires_at 是实际到期 Unix 秒时间戳，当前签名链接有效期为 1 小时。文件私有、长期保存；链接到期不代表文件删除。下载签名 URL 时不要发送 ZCloudAPI Key。本轮没有提供自助刷新签名接口，请及时下载需要的文件。

response_format 表示音频编码，output_format 表示交付方式，两者不要混淆。默认文件模式也会先转存，并在响应头提供 X-Audio-URL、X-Audio-URL-Expires-At。

当前 AIMLAPI TTS 接入为非流式；不要传 stream_format: "sse"。MP3 已完成真实验收，其他音色、编码请先小规模测试。转存失败会返回错误，不会再次自动生成音频，也不会把上游临时 URL 当作 OSS 链接返回。

语音转文字

上传音频文件，返回 JSON 文字：

curl --fail-with-body "$ZCLOUD_BASE_URL/audio/transcriptions" \
  -H "Authorization: Bearer $ZCLOUD_API_KEY" \
  -F model=openai/gpt-transcribe \
  -F file=@speech.mp3 \
  -F language=zh \
  -F response_format=json

另一款只需改为 model=openai/gpt-4o-mini-transcribe。示例响应：

{
  "text": "欢迎使用语音服务。",
  "usage": {
    "seconds": 3,
    "cost": 0.000225
  }
}

不同模型的 Usage 字段不同。供应商返回的 usage.cost 不代表本站钱包实际扣费，本站以配置价格、分组倍率及实际计量结算，最终查看使用日志。

上传 MP3/WAV 等供应商支持格式，建议不超过 25 MB；长录音先分段。此接口不是实时语音通话，不保证流式转写能力。转写上传的原始录音没有因本次功能而新增永久 OSS 保存策略。

错误处理

400：检查模型名称、文件格式、参数和流式设置。
401/403：检查 Key、分组权限、模型白名单和额度。
429：降低并发，等待后再试。
502/超时：保留请求 ID，检查供应商或转存链路；不要无节制重复生成。

公开使用前，单轮 20 个混合短音频请求已测试通过；这不是持续压测或长音频 SLA。

模型与计费

文字转语音

语音转文字

错误处理

页面资源加载失败