AI 智能语音包括语音转文本、实时翻译和语音合成三个能力。
语音转文本：将音频转成文本（Automatic Speech Recognition，ASR）输出。
实时翻译：在语音转文本的基础上，将转写出来的文本翻译成目标语言。
语音合成：将文本合成为音频（Text-To-Speech, TTS）输出。
计费说明
AI 智能语音费用包含：语音转文本费用、实时翻译费用、语音合成费用。
后付费
付费方式 | 能力 | 类型 | 价格 | 说明 |
套餐外超量费用 （日结后付费） | 语音转文本（新） | 0.017 元/分钟 | 最新版基于大语言模型的语音转文本能力，支持中文普通话、中文方言、英语和小语种的识别。 | |
| | 0.013 元/分钟 | 最新版基于大语言模型的语音转文本能力，支持中文普通话、中文方言、英语和小语种的识别。 | |
| 实时翻译 | 0.07 元/分钟 | ||
| 语音合成 | 基础（原 Flash） | 3.00 元/万字符 | 支持将中文、英语、日语、韩语以及粤语方言文本实时转换为自然流畅的多音色语音。 |
| | 标准（原多语种） | | |
| | 声音克隆（Flash） | 9.9 元/次 | 按次计费，后付费。 |
注意：
购买 套餐包 赠送的 AI 智能语音时长，当赠送的抵扣量用尽且套餐包仍在有效期内时，超出的用量会按照套餐外超量费用进行计费。赠送时长用尽后仅影响计费方式（转为超量计费），不会改变或降级所使用的识别能力与模型。
新用户可在创建应用时一次性领取 1000 分钟语音体验时长，领取方式可参考开通服务文档里的指引。
套餐包费用
套餐包 | 套餐版本 | 套餐价格 | 赠送 AI 智能语音时长 | 折合实时语音识别时长 | 折合录音文件识别时长 |
基础版 | 475 元/月 限时 95 折 | 10,000 分钟/月 | ≈ 29000+ 分钟/月 | ≈ 38000+ 分钟/月 | |
| 尊享版 | 900 元/月 限时 9 折 | 20,000 分钟/月 | ≈ 58000+ 分钟/月 | ≈ 76000+ 分钟/月 |
尊享版 Plus（赠送 AI 智能语音时长） | 2875 元 限时 8 折 | 10,000 分钟/月 | ≈ 29000+ 分钟/月 | ≈ 38000+ 分钟/月 | |
| 旗舰版 Plus （赠送 AI 智能语音时长） | 8000 元 限时 8 折 | 20,000 分钟/月 | ≈ 58000+ 分钟/月 | ≈ 76000+ 分钟/月 |
说明：
购买 AI 智能语音时长包的任一规格的套餐包，均支持 语音转文本 API 文档 中所有语音转文本模型的识别。
套餐包的有效期为购买当日 - 次月当日。例如：2025 年 3 月 1 日购买，其有效时间为 2025 年 3 月 1 日 - 2025 年 4 月 1 日。
每个套餐针对单个 UIN 账号生效，可用于抵扣当前 UIN 账号产生的 AI 智能语音时长用量消耗。
AI 智能语音套餐包退费规则详情请参见 退费说明。
赠送的 AI 智能语音时长，按"语音转文本能力（新）"的抵扣比例折算与扣减，实时语音识别按 0.34 分钟/分钟、录音文件/一句话识别按 0.26 分钟/分钟 抵扣。因此同样的赠送时长，用于不同识别方式可使用的实际分钟数不同（见上表折合列与下表抵扣比例说明）。
抵扣比例说明
赠送的 AI 智能语音时长具体抵扣规则如下：
能力 | 类型 | 抵扣比例 |
语音转文本能力（新） | 实时语音识别 | 0.34 |
| 录音文件/一句话识别 | 0.26 |
实时翻译能力 | 翻译引擎 | 1.4 |
语音合成 | 基础（原 Flash） | 0.36 注意： 实际计费时，1字符可抵扣 0.36 秒的智能语音时长。 |
| 标准（原多语种） | |
说明：
接入说明
1. TRTC AI 智能语音解决方案支持以下接入方式：
实时语音场景：
无 UI 接入：支持通过 服务端接入，也可通过 TRTC SDK 接入 AI 转录/翻译，简化开发集成流程。
场景（含 UI）方案接入：目前已经支持 视频通话接入 AI 转录/翻译 方案和 多人会议接入 AI 转录/翻译 方案。助力快速上线含 UI 的场景化实时转录功能。
其他场景：
通过 API 调用 ASR / TTS 能力，适用于已有音频采集链路或仅需单点能力的场景：
2. AI 实时对话中配置语音转文字和语音合成具体接入步骤请参见 AI 实时对话跑通 Demo。
用量统计
语音转文本
只有开始参与 AI 智能语音的音频时长才进行用量统计。
主播多路流输入，若调用不同的语言引擎模型，则按照不同语言引擎单价进行区分收费。
只有在真人开启麦克风后，系统才会同步启用 ASR 服务识别语音内容，持续时间以真人开启麦克风持续时间为准。
注意：
使用 AI 智能语音服务时，将会有机器人作为虚拟观众加入房间，订阅需要识别的音频流。机器人费用按照 音视频时长计费规则 进行计费。
时长统计精度为秒，按 SDKAppID 维度，以每日累计秒数转换成分钟数后进行计费，不足一分钟按一分钟计。
实时翻译
按照参与 AI 智能语音翻译能力的音频时长进行用量统计。
主播单路流输入，若输出多种翻译语言，则按照输入的音频时长 * 输出的语种个数进行收费。
说明：
时长统计精度为秒，按日累计秒数转换成分钟数后进行计费，不足一分钟按一分钟计算。
语音合成
按照文字转语音的输入文本字符数量进行用量统计。
主播单路流输入，按照需要文字转语音的字符数量进行收费。
说明：
文本字符统计精度为万字符，按日累计字符数进行计费，保留四位小数。
1 个汉字算 2 个字符（包括日文汉字、韩文汉字或其他语言中产生和用到的汉字字符）；每个英语字母，其他语言字符，标点符号，特殊符号，空格，回车等均统计为 1 个字符。
在实时翻译场景下，由于 ASR 识别存在非稳态中间结果，TTS 实际合成的字符数可能高于最终稳态文本字符数，计费以 TTS 实际处理的字符数为准。
计费示例
示例 1：仅使用语音转文本2.0 实时语音识别
某用户通过 API 调用实时语音识别 BigModel，当日累计识别时长 120 分钟。
计费类型 | 用量 | 单价 | 费用 |
语音转文本（实时语音识别） | 120 分钟 | 0.017 元/分钟 | 2.04 元 |
分析： 实时语音识别 BigModel 单价 0.017 元/分钟，用量120分钟，则费用为0.017 × 120=2.04 元。
示例 2：配合 TRTC —— 语音转文本 2.0 实时语音识别 + 实时翻译
用户 A 和 B 用中文通话，观众 C 需要看到英文字幕，观众 D 需要看到日文字幕。使用实时语音识别 BigModel 进行语音转文本，并开启实时翻译，通话 5 分钟。
计费类型 | 用户 A | 用户 B | 小计 |
语音转文本 | 5 分钟 | 5 分钟 | 10 分钟 |
实时翻译 | 5 分钟 × 2 | 5 分钟 × 2 | 20 分钟 |
分析：
语音转文本：共 10 分钟，实时语音识别 BigModel 单价 0.017 元/分钟，共 0.17 元。
实时翻译：共 20 分钟，单价 0.07 元/分钟，共 1.4 元。
合计：1.57 元。
示例 3：配合 TRTC —— 语音转文本 2.0 实时语音识别 + 实时翻译 + 语音合成
用户 A 和 B 用中文通话，观众 C 需英文字幕并听到英文语音，观众 D 需日文字幕并听到日文语音。使用实时语音识别 BigModel 进行语音转文本，同时开启实时翻译和实时语音合成，通话 10 分钟。假设英文语音合成字符量共 1.6 万字符，日文共 1 万字符。
计费类型 | 用户 A | 用户 B | 小计 |
语音转文本（实时语音识别） | 10 分钟 | 10 分钟 | 20 分钟 |
实时翻译 | 10 分钟 × 2 | 10 分钟 × 2 | 40 分钟 |
语音合成 | 0.8 万英文 + 0.5 万日文 | 0.8 万英文 + 0.5 万日文 | 2.6 万字符 |
分析：
语音转文本：共 20 分钟，实时语音识别 BigModel 单价 0.017 元/分钟，共 0.34 元。
实时翻译：共 40 分钟，单价 0.07 元/分钟，共 2.8 元。
语音合成：共 2.6 万字符，基础 (Flash) 单价 3 元/万字符，共 7.8 元。
合计：10.94 元。
注意：
本文计费示例采用刊例价计算，如果您与腾讯云的商务经理签订了合同，以合同约定的价格为准。
支持语言列表
功能 | 支持语言种类 | 支持方言种类 |
语音转文本 | 中文、英语、粤语、阿拉伯语、德语、法语、西班牙语、葡萄牙语、印尼语、意大利语、韩语、俄语、泰语、越南语、日语、土耳其语、印地语、马来语、荷兰语、瑞典语、丹麦语、芬兰语、波兰语、捷克语、菲律宾语、波斯语、希腊语、罗马尼亚语、匈牙利语、马其顿语。 | 安徽、东北、福建、甘肃、贵州、河北、河南、湖北、湖南、江西、宁夏、山东、陕西、山西、四川、天津、云南、浙江、粤语（香港口音）、粤语（广东口音）、吴语、闽南语。 |
实时翻译 | 中文、英语、越南语、日语、韩语、印度尼西亚语、泰语、葡萄牙语、阿拉伯语、西班牙语、法语、马来语、德语、意大利语、俄语。 | / |
语音合成 | 中文、英语、日语、韩语 | 广东话 |
旧版模型
后付费
付费方式 | 能力 | 类型 | 价格 | 说明 |
套餐外超量费用 （日结后付费） | 语音转文本 1.0 | 0.05 元/分钟 | 支持中文普通话识别。对电话音频支持良好。 | |
| | 0.08 元/分钟 | 支持中文普通话、中文方言口音、英语以及中英混合的识别。识别性能和抗噪能力大幅增强。 | |
| | 0.15 元/分钟 | ||
抵扣比例
能力 | 类型 | 抵扣比例 |
语音转文本能力 1.0 | 基础语言引擎 | 1 |
| 标准语言引擎 | 1.6 |
| 高级语言引擎 | 3 |
