语音与向量专区

语音与向量能力，同一把 Key 调用

在文本模型之外，玺芮算力提供语音合成、一句话声音克隆、语音转写与文本向量化四类能力。全部跑在自有算力上，输入内容不出机房，适合客服质检、会议纪要、有声内容与知识库问答等场景。

试听：三种内置音色

下面三段是同一句话、不同音色的实际合成结果（点击播放）。

音色 · 001（女声，标准播报）

44 字 → 10.4s 音频，合成耗时约 10s

音色 · longxiaoxia（女声，自然对话）

44 字 → 10.2s 音频，合成耗时约 10s

音色 · xiaohe（女声，轻快）

44 字 → 9.4s 音频，合成耗时约 9s

试听：一句话声音克隆

只提供一段 6.7 秒的参考录音，模型即可用同一音色说出任意新文本（无需训练、无需标注）。

克隆结果（参考音来自一段 6.7 秒中文录音）

合成 22 字 → 6.7s 音频，耗时约 16.5s

语音转写示例

10.2 秒录音 → 5.1 秒返回文本，结果：
「玺芮算力是一家提供大模型接口服务的公司，今天天气不错，我们一起来测试语音合成的效果和速度。」

四类能力

语音合成 TTS

中文自然语音合成，内置多种音色；支持长文本分段合成，输出 22.05kHz WAV。计费 1 点/字（¥0.001/字）。

声音克隆

Zero-shot 克隆：一段 5–10 秒参考录音即可复刻音色，适合品牌专属配音、有声书与数字人口播。计费 3 点/字。

语音转写 ASR

中英文语音转文字，自动断句，适合会议纪要、客服录音归档与语音质检。计费 5 点/秒（¥0.005/秒）。

文本向量化

1024 / 768 维向量输出，用于知识库检索、去重与聚类，配套文本模型做 RAG。计费 3 点/千 token。

实测性能（内部测试数据）

能力	实测表现	说明
语音转写	RTF 0.55（10.2s 音频 → 5.1s 返回）	约 2 倍实时，可多路并行
语音合成	RTF ≈ 1.0（44 字 → 9–10s 音频，耗时 9–10s）	双算力卡双通道，3 路并发总耗时 13.3s
声音克隆	RTF ≈ 2.5（参考音 6.7s，合成 22 字耗时 16.5s）	含参考音特征提取，适合离线批量生成
向量化（bge-m3）	64 条/秒（短文本）· 45 条/秒（长文本）	1024 维
向量化（nomic）	109 条/秒（短文本）· 82 条/秒（长文本）	768 维

以上为单机实测值，随并发与文本长度浮动；线上服务按实际可用的资源配额调度。

接入方式

接口形态
语音能力与文本模型共用同一把 API Key，走标准 HTTP 接口，返回音频二进制或 JSON：

POST /v1/audio/speech 文本 → 音频（音色可选） POST /v1/audio/clone 参考音 + 文本 → 克隆音频 POST /v1/audio/transcriptions 音频 → 文本 POST /v1/embeddings 文本 → 向量

计费方式（1 元 = 1000 点）：语音合成 1 点/字（¥0.001/字）、声音克隆 3 点/字、语音转写 5 点/秒（¥0.005/秒）、向量嵌入 3 点/千 token。
开通方式：语音能力与文本模型共用同一把 API Key 与余额，无需单独申请，注册后直接调用。批量用量与企业合作可邮件 official@shinloo.com。

合规与数据

语音服务运行在自有算力节点上，音频与文本仅在处理期间占用内存，处理完成即释放，不做留存；合成音频用于公开发布时，请依《人工智能生成合成内容标识办法》添加显著标识。声音克隆仅可用于您拥有合法授权的音色，使用前请确认取得被克隆人的授权。