语音
数据来自 Cherry Studio 内置模型目录（provider-registry），随应用仓库自动同步；表中 - 表示数据源未提供该字段。
上下文长度与最大输出以 K / M 缩写并四舍五入（1K 约为 1,000～1,024 tokens，1M 约为 100 万 tokens），例如 131,072 与 128,000 均写作 128K。悬停可查看完整数值，精确限制请以模型服务商为准。
数据更新时间: 2026-10-18 13:59:34 UTC / 2026-10-18 21:59:34 CST (北京时间)
| 模型名称 | 服务商 | 上下文长度 | 最大输出 | 能力 | 输入模态 | 输出模态 |
|---|---|---|---|---|---|---|
Qwen-Omni Turboqwen-omni-turbo | alibaba | 32K | 2K | 函数调用、识图、语音识别、语音生成、视频理解 | 文本、图片、音频、视频 | 文本、音频 |
Qwen-Omni Turbo Realtimeqwen-omni-turbo-realtime | alibaba | 32K | 2K | 函数调用、识图、语音识别、语音生成 | 文本、图片、音频 | 文本、音频 |
Qwen2.5-Omni 7Bqwen2-5-omni-7b | alibaba | 32K | 2K | 函数调用、识图、语音识别、语音生成、视频理解 | 文本、图片、音频、视频 | 文本、音频 |
Qwen3-ASR Flashqwen3-asr-flash | alibaba | 52K | 4K | 语音识别 | 音频 | 文本 |
Qwen3-LiveTranslate Flash Realtimeqwen3-livetranslate-flash-realtime | alibaba | 52K | 4K | 识图、语音识别、语音生成、视频理解 | 文本、图片、音频、视频 | 文本、音频 |
Qwen3-Omni Flashqwen3-omni-flash | alibaba | 64K | 16K | 函数调用、推理、识图、语音识别、语音生成、视频理解 | 文本、图片、音频、视频 | 文本、音频 |
Qwen3-Omni Flash Realtimeqwen3-omni-flash-realtime | alibaba | 64K | 16K | 函数调用、识图、语音识别、语音生成、视频理解 | 文本、图片、音频、视频 | 文本、音频 |
ElevenLabs Musicelevenlabs-music | elevenlabs | - | - | 语音生成 | 文本 | 音频 |
ElevenLabs v2.5 Turboelevenlabs-v2-5-turbo | elevenlabs | - | - | 语音生成 | 文本 | 音频 |
ElevenLabs v3elevenlabs-v3 | elevenlabs | - | - | 语音生成 | 文本 | 音频 |
Gemini 2.5 Flash Preview TTSgemini-2-5-flash-preview-tts | 8K | - | 语音生成 | 文本 | 音频 | |
Gemini 2.5 Flash TTSgemini-2-5-flash-tts | 32K | 16K | 语音生成 | 文本 | 音频 | |
Gemini 2.5 Pro Preview TTSgemini-2-5-pro-preview-tts | 8K | - | 语音生成 | 文本 | 音频 | |
Gemini 2.5 Pro TTSgemini-2-5-pro-tts | 32K | 16K | 语音生成 | 文本 | 音频 | |
Gemini 3.1 Flash Live Previewgemini-3-1-flash-live-preview | 128K | 64K | 函数调用、推理、识图、语音识别、语音生成、视频理解、文件输入 | 文本、图片、音频、视频 | 文本、音频 | |
Gemini 3.1 Flash TTS Previewgemini-3-1-flash-tts-preview | 8K | - | 推理、语音生成 | 文本 | 音频 | |
Gemini 3.5 Live Translate Previewgemini-3-5-live-translate-preview | 16K | - | 语音识别、语音生成 | 音频 | 文本、音频 | |
Gemini 3.5 Transcribegemini-3-5-transcribe | - | - | 语音识别 | 音频 | 文本 | |
Gemini 3.5 Transcribe Livegemini-3-5-transcribe-live | - | - | 语音识别 | 音频 | 文本 | |
Lyria 3 Clip Previewlyria-3-clip-preview | 1.05M | 64K | 识图、语音生成、结构化输出、文件输入 | 文本、图片 | 文本、音频 | |
Lyria 3 Pro Previewlyria-3-pro-preview | 1.05M | 64K | 识图、语音生成、结构化输出、文件输入 | 文本、图片 | 文本、音频 | |
Voxtral Mini (latest)voxtral-mini-latest | mistral | - | - | 语音识别 | 音频 | 文本 |
Voxtral Mini TTS (latest)voxtral-mini-tts-latest | mistral | - | - | 语音生成 | 文本 | 音频 |
magpie-tts-zeroshotmagpie-tts-zeroshot | nvidia | - | 4K | 语音识别、语音生成、文件输入 | 文本、音频 | 音频 |
Whisper Large v3whisper-large-v3 | nvidia | - | 4K | 语音识别 | 音频 | 文本 |
GPT-4o mini Transcribegpt-4o-mini-transcribe | openai | - | - | 语音识别 | 音频 | 文本 |
GPT-4o Transcribegpt-4o-transcribe | openai | - | - | 语音识别 | 音频 | 文本 |
GPT-Realtime minigpt-realtime-mini | openai | - | - | 语音识别、语音生成 | 文本、音频 | 文本、音频 |
GPT-Realtime-1.5gpt-realtime-1-5 | openai | - | - | 语音识别、语音生成 | 文本、音频 | 文本、音频 |
gpt-realtime-2gpt-realtime-2 | openai | - | - | 语音识别、语音生成 | 文本、音频 | 文本、音频 |
gpt-realtime-2.1gpt-realtime-2-1 | openai | 128K | 32K | 函数调用、推理、识图、语音识别、语音生成、文件输入 | 文本、图片、音频 | 文本、音频 |
gpt-realtime-whispergpt-realtime-whisper | openai | - | - | 语音识别 | 音频 | 文本 |
OpenAI: GPT Audiogpt-audio | openai | 128K | - | 函数调用、语音识别、语音生成、结构化输出 | 文本、音频 | 文本、音频 |
OpenAI: GPT Audio Minigpt-audio-mini | openai | 128K | - | 函数调用、语音识别、语音生成、结构化输出 | 文本、音频 | 文本、音频 |
Step TTS 2step-tts-2 | stepfun | - | - | 语音生成 | 文本 | 音频 |
StepAudio 2.5 ASRstepaudio-2-5-asr | stepfun | - | - | 语音识别 | 音频 | 文本 |
StepAudio 2.5 TTSstepaudio-2-5-tts | stepfun | - | - | 语音生成 | 文本 | 音频 |
Suno v3suno-v3 | suno | - | - | 语音生成 | 文本 | 音频 |
Suno v3.5suno-v3-5 | suno | - | - | 语音生成 | 文本 | 音频 |
Suno v4suno-v4 | suno | - | - | 语音生成 | 文本 | 音频 |
Suno v4.5suno-v4-5 | suno | - | - | 语音生成 | 文本 | 音频 |
S1 (Free)s1 | vercel | - | - | 语音生成 | 文本 | 音频 |
S2 Pros2-pro | vercel | - | - | 语音生成 | 文本 | 音频 |
S2.1 Pro (Free)s2-1-pro | vercel | - | - | 语音生成 | 文本 | 音频 |
Transcribe-1transcribe-1 | vercel | - | - | 语音识别 | 音频 | 文本 |
TTS-1tts-1 | vercel | - | - | 语音生成 | 文本 | 音频 |
TTS-1 HDtts-1-hd | vercel | - | - | 语音生成 | 文本 | 音频 |
Whisperwhisper-1 | vercel | - | - | 语音识别 | 音频 | 文本 |
Grok STTgrok-stt | xai | - | - | 语音识别 | 音频 | 文本 |
Grok TTSgrok-tts | xai | - | - | 语音生成 | 文本 | 音频 |
Grok Voice Think Fast 1.0grok-voice-think-fast-1-0 | xai | - | - | 语音识别、语音生成 | 文本、音频 | 文本、音频 |
Grok Voice Think Fast 2.0grok-voice-think-fast-2-0 | xai | - | - | 语音识别、语音生成 | 文本、音频 | 文本、音频 |