音频与语音模型 API

Suno WAV 导出将已完成的歌曲保存为 WAV 音频，方便交给剪辑、混音和后期工作流继续制作。

Suno 分轨把已有歌曲中的人声、伴奏或乐器拆成可分别处理的音频，方便调整混音、制作伴奏和继续编曲。

Suno 音乐生成把曲风、情绪和歌词转化为可试听的作品，可创作带演唱的歌曲或纯音乐，适合配乐试稿与歌曲创意验证。

MiMo-V2.5-TTS Voicedesign 根据文字描述设计音色并合成语音，无需参考录音，适合原创角色、旁白和声音概念探索。

MiMo-V2.5-TTS Voiceclone 依据参考录音合成新的语音内容，适合延续已有说话人音色的旁白、课程与角色配音。

MiMo-V2.5-TTS 使用内置音色将正文合成为语音，支持风格指令、细致表演控制、唱歌模式和低延迟流式输出。

MiMo-V2.5-ASR 将录音转成文字，适合中英混说、中文方言、多人讨论和带伴奏歌词等语音识别场景。

Muse Voice Transcribe 是 Meta 的语音转文字模型，支持 25 种语言与语种混说，可自动切分语句、区分说话人并按关键词提高识别率。

Qwen3 Omni Flash 实时版支持持续接收语音与画面并流式回答，适合看图对话、口语练习和带视觉信息的语音助手。

Qwen3 TTS Instruct Flash 实时版将正文合成为语音，可用独立指令调整情绪、语气与节奏，适合流式播报、角色旁白和客服语音。

通过实时音视频对话理解用户正在说和看的内容，流式输出文字与语音，支持语义打断、函数调用及可启用的联网搜索。