实时音视频 AI 智能语音

AI 智能语音包括语音识别、实时翻译和语音合成三个能力。
语音识别：将音频转成文本（Automatic Speech Recognition，ASR）输出。
实时翻译：在语音识别的基础上，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。
说明：
AI 智能语音提供 免费时长包 免费试用 AI 智能语音功能。领取后获得1000分钟的 AI 智能语音包，用于抵扣智能语音用量。
语音识别提供语音识别 2.0 与语音识别 1.0 两个模型版本。中文普通话、中文方言，以及中英混合场景推荐使用语音识别 2.0，小语种场景推荐使用语音识别 1.0 的高级语言引擎。
计费说明
AI 智能语音费用包含：语音识别费用、实时翻译费用、语音合成费用。
说明：
在 RTC 语音房间接入时，会产生音频通话费用和机器人进房费用。
通过 WebSocket 接入与 SDK 多端接入计费模式相同，均可以通过 后付费 和购买 套餐包与资源包 进行抵扣。
以上能力均支持 开通服务 后，后付费使用，购买套餐包可享折扣抵扣。
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）
语音识别 2.0（推荐）
﻿实时语音识别﻿
0.017 元/分钟
最新版基于大语言模型的语音识别能力，支持中文普通话、中文方言、英语和小语种的识别。
说明：
支持的模型引擎为 bigmodel。对应接口文档的“engine_model_type”参数
﻿
﻿
﻿录音文件/一句话识别﻿
0.013 元/分钟
能力同实时语音识别。
说明：
支持的模型引擎为 bigmodel。对应 接口文档 的“engine_model_type”参数
﻿
语音识别 1.0
﻿基础语言引擎﻿
0.05 元/分钟
支持中文普通话，对电话音频支持良好。
说明：
支持的模型引擎为 8k_zh。对应 接口文档 的“engine_model_type”参数
﻿
﻿
﻿标准语言引擎﻿
0.08 元/分钟
支持中文普通话、中文方言口音、英语及中英混合。
说明：
支持的模型引擎为 8k_zh_large、16k_zh_large 和 16k_zh_en。对应 接口文档 的“engine_model_type”参数。
﻿
﻿
﻿高级语言引擎﻿
0.15 元/分钟
支持中文、英文、日语、韩语等共计100+语种。
说明：
支持的模型引擎包括 16k_en、16k_ja、16k_vi、16k_es 等共100+。对应 接口文档 的“engine_model_type”参数。
﻿
﻿
实时翻译
﻿翻译引擎﻿
0.07 元/分钟
支持15种语言的翻译，具体参见 支持语言列表。
﻿
语音合成
高级引擎
3.5元/万字符
支持中文普通话、粤语、英语、日语、韩语等共40+语种，韵律更加自然。
﻿
﻿
基础（原 Flash）/ 标准（原多语种）
3.00 元/万字符
支持中文、英语、日语、韩语以及粤语方言；如需中英日韩之外的语种，请通过商务经理或者 提交工单 联系。
﻿
﻿
声音克隆（Flash）
9.9 元/次
按次计费，后付费。
注意：
包月套餐中 AI 智能语音时长和按量预付费资源包的用量用尽后，超出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。
﻿录音文件/一句话识别计费时长按上传音频时长计时。
套餐包与资源包费用
除按量后付费外，还支持预付费套餐包或者资源包使用 AI 智能语音相关能力。
TRTC 包月套餐可用于语音识别、语音合成和实时翻译服务，详情见 抵扣比例，同时还包含赠送的 AI 智能语音时长。
套餐包
规格
价格
赠送 AI 智能语音时长
﻿TRTC 包月套餐﻿
尊享版 Plus（赠送 AI 智能语音时长）
3625 元/月
2875 元
限时 8 折 
30,000 分钟/月
﻿
旗舰版 Plus （赠送 AI 智能语音时长）
10000 元/月
8000 元
限时 8 折 
60,000 分钟/月
﻿AI 智能语音资源包 包含以下规格，可用于语音识别、语音合成和实时翻译服务，详情见 抵扣比例：
套餐包
规格
价格
﻿AI 智能语音资源包 
6,000 分钟
102 元
96 元
限时 9.4 折
﻿
60,000 分钟
1020 元
950 元
限时 9.3 折
﻿
600,000 分钟
10200 元
9300 元
限时 9.1 折
﻿
3,000,000 分钟
51,000 元
46,000 元
限时 9.0 折
上表赠送的 AI 智能语音时长，按 2026 年 9 月 1 日起的抵扣比例（以实时语音识别为 1）折算扣减。例如赠送 30,000 分钟，全部用于实时语音识别可使用 30,000 分钟，全部用于录音文件/一句话识别约可使用 39,470 分钟。详见 抵扣比例说明。
16,000,000 分钟
102,000 元
90,000 元
限时 8.8 折
说明：
TRTC 包月套餐赠送的 AI 智能语音时长，按 2026 年 9 月 1 日起的抵扣比例（以实时语音识别为 1）折算扣减。例如赠送 30,000 分钟，全部用于实时语音识别可使用 30,000 分钟，全部用于录音文件/一句话识别约可使用 39,470 分钟。详见 抵扣比例说明。
AI 智能语音资源包适用于语音识别服务、语音合成服务和实时翻译服务。
套餐包的有效期为购买当日 - 次月当日。例如：2026 年 9 月 1 日购买，其有效时间为 2026 年 9 月 1 日 - 2026 年 10 月 1 日;资源包的有效期为 1 年（自购买之日起计，按 12 个月推算），有效期内用尽为止，到期清零。
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 智能语音套餐包与资源包退费规则详情请参见 退费说明。
抵扣比例说明
TRTC 包月套餐和 AI 智能语音包赠送的 AI 智能语音时长具体抵扣规则如下。
能力
类型
新抵扣比例（以实时语音识别为 1）
原抵扣比例（以基础语言引擎为 1）
语音识别 2.0（推荐）
实时语音识别
1
0.34
﻿
录音文件/一句话识别
0.76
0.26
语音识别 1.0
基础语言引擎
2.94
1
﻿
标准语言引擎
4.71
1.6
﻿
高级语言引擎
8.82
3
实时翻译
翻译引擎
4.12
1.4
语音合成
基础（原 Flash）/ 标准（原多语种）
1.06
注意：
实际计费时，1个计费字符可抵扣 1.06 秒的智能语音时长。
0.36
﻿AI 实时对话﻿
对话时长
0.59
0.2
说明：
2026 年 9 月 1 日起，抵扣比例的基准由基础版语言引擎调整为实时语音识别，即实时语音识别的抵扣比例为 1，其余能力按其与实时语音识别的相对关系折算。2026 年 9 月 1 日前以基础语言引擎为基准（抵扣比例为 1）。
抵扣比例指每使用 1 分钟对应能力（语音合成为每 1 个计费字符），从赠送时长中扣减的时长；比例越小，同等赠送时长可使用的时长越多。
推荐使用语音识别 2.0，同等赠送时长下可使用的识别时长更多。
接入说明
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：
能力
接入方式
说明
﻿实时语音识别﻿
WebSocket 接入
通过 WebSocket 推送音频流进行实时流式识别。
﻿录音文件识别﻿
HTTP POST 接入
上传音频文件，异步返回识别结果。
﻿一句话识别﻿
HTTP POST 接入
上传短音频（≤60s），同步返回识别结果。
﻿语音合成﻿
HTTP POST 接入（SSE 流式）
输入文本，返回合成后的语音音频。
用量统计
语音识别
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：
通过 TRTC 接入语音能力的场景 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。
AI 智能语音服务时长统计精度为秒，按 UIN 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：仅使用语音识别（实时语音识别）
某用户通过 API 调用实时语音识别，当日累计识别时长 120 分钟。
计费类型
用量
单价
费用
语音识别（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 —— 语音识别（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。使用实时语音识别进行语音识别，并开启实时翻译，通话 5 分钟。
计费类型
用户 A
用户 B
小计
语音识别
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：
语音识别：共 10 分钟，实时语音识别单价 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 —— 语音识别（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。使用实时语音识别进行语音识别，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
语音识别（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：
语音识别：共 20 分钟，实时语音识别单价 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
语音识别
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、粤语、英语、日语、韩语、泰语、印地语、印尼语、西班牙语、意大利语、俄语、德语、法语、阿拉伯语、土耳其语、乌克兰语、马来语、荷兰语、瑞典语、波兰语、菲律宾语、希腊语、匈牙利语、葡萄牙语、捷克语、挪威语、芬兰语、丹麦语、泰米尔语。
广东话
注意：
语音识别和语音合成的部分语种仅限特定版本类型支持，具体参考 不同引擎类型。
语音合成暂不支持自主接入中英日韩之外的语种，如需其他语种支持请通过商务或者 提交工单 联系。

付费方式	能力	类型	价格	说明
套餐外超量费用（日结后付费）	语音识别 2.0（推荐）	实时语音识别	0.017 元/分钟	最新版基于大语言模型的语音识别能力，支持中文普通话、中文方言、英语和小语种的识别。说明：支持的模型引擎为 `bigmodel`。对应接口文档的“engine_model_type”参数
	语音识别 2.0（推荐）			录音文件/一句话识别	0.013 元/分钟	能力同实时语音识别。说明：支持的模型引擎为 `bigmodel`。对应接口文档的“engine_model_type”参数
		语音识别 1.0	基础语言引擎	0.05 元/分钟	支持中文普通话，对电话音频支持良好。说明：支持的模型引擎为 `8k_zh`。对应接口文档的“engine_model_type”参数
				标准语言引擎	0.08 元/分钟	支持中文普通话、中文方言口音、英语及中英混合。说明：支持的模型引擎为 `8k_zh_large`、`16k_zh_large` 和 `16k_zh_en`。对应接口文档的“engine_model_type”参数。
				高级语言引擎	0.15 元/分钟	支持中文、英文、日语、韩语等共计100+语种。说明：支持的模型引擎包括 `16k_en、16k_ja、16k_vi、16k_es` 等共100+。对应接口文档的“engine_model_type”参数。
		实时翻译	翻译引擎	0.07 元/分钟	支持15种语言的翻译，具体参见支持语言列表。
		语音合成	高级引擎	3.5元/万字符	支持中文普通话、粤语、英语、日语、韩语等共40+语种，韵律更加自然。
				基础（原 Flash）/ 标准（原多语种）	3.00 元/万字符	支持中文、英语、日语、韩语以及粤语方言；如需中英日韩之外的语种，请通过商务经理或者提交工单联系。
				声音克隆（Flash）	9.9 元/次	按次计费，后付费。

套餐包	规格	价格	赠送 AI 智能语音时长
TRTC 包月套餐	尊享版 Plus（赠送 AI 智能语音时长）	~~3625 元/月~~ 2875 元限时 8 折	30,000 分钟/月
TRTC 包月套餐		旗舰版 Plus （赠送 AI 智能语音时长）	~~10000 元/月~~ 8000 元限时 8 折	60,000 分钟/月

能力	类型	新抵扣比例（以实时语音识别为 1）	原抵扣比例（以基础语言引擎为 1）
语音识别 2.0（推荐）	实时语音识别	1	0.34
语音识别 2.0（推荐）		录音文件/一句话识别	0.76	0.26
语音识别 1.0	基础语言引擎	2.94	1
		标准语言引擎	4.71	1.6
		高级语言引擎	8.82	3
实时翻译	翻译引擎	4.12	1.4
语音合成	基础（原 Flash）/ 标准（原多语种）	1.06 注意：实际计费时，1个计费字符可抵扣 1.06 秒的智能语音时长。	0.36
AI 实时对话	对话时长	0.59	0.2

能力	接入方式	说明
实时语音识别	WebSocket 接入	通过 WebSocket 推送音频流进行实时流式识别。
录音文件识别	HTTP POST 接入	上传音频文件，异步返回识别结果。
一句话识别	HTTP POST 接入	上传短音频（≤60s），同步返回识别结果。
语音合成	HTTP POST 接入（SSE 流式）	输入文本，返回合成后的语音音频。

计费类型	用量	单价	费用
语音识别（实时语音识别）	120 分钟	0.017 元/分钟	2.04 元

计费类型	用户 A	用户 B	小计
语音识别	5 分钟	5 分钟	10 分钟
实时翻译	5 分钟 × 2	5 分钟 × 2	20 分钟

功能	支持语言种类	支持方言种类
语音识别	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、粤语、英语、日语、韩语、泰语、印地语、印尼语、西班牙语、意大利语、俄语、德语、法语、阿拉伯语、土耳其语、乌克兰语、马来语、荷兰语、瑞典语、波兰语、菲律宾语、希腊语、匈牙利语、葡萄牙语、捷克语、挪威语、芬兰语、丹麦语、泰米尔语。	广东话

AI 智能语音

本页目录：

计费说明

后付费

套餐包与资源包费用

抵扣比例说明

接入说明

用量统计

语音识别

实时翻译

语音合成

计费示例

示例 1：仅使用语音识别（实时语音识别）

示例 2：配合 TRTC —— 语音识别（实时语音识别） + 实时翻译

示例 3：配合 TRTC —— 语音识别（实时语音识别） + 实时翻译 + 语音合成

支持语言列表