Mejores modelos de generación de audio
Clasificaciones de modelos actualizadas según datos de uso reales.
Los modelos se clasifican según el total de tókenes de prompts y respuestas procesados a través de la API de OpenRouter durante los últimos 7 días. Se muestran los 4 modelos mejor clasificados. Las clasificaciones miden el uso en OpenRouter y reflejan la adopción, no la calidad del modelo ni su rendimiento en pruebas de evaluación.
Los modelos de generación de audio crean audio a partir de texto u otras instrucciones, lo que permite casos de uso como la generación de música, el diseño de sonido, los asistentes con funciones de voz y las aplicaciones multimodales que responden con audio. Esta colección destaca algunos de los mejores modelos de generación de audio disponibles en OpenRouter, lo que facilita comparar la calidad, los precios y la latencia entre proveedores a través de una sola API.
Los mejores modelos de generación de audio en OpenRouter
OpenAI: GPT Audio Mini
A cost-efficient version of GPT Audio. The new snapshot features an upgraded decoder for more natural sounding voices and maintains better voice consistency. Input is priced at $0.60 per million tokens and output is priced at $2.40 per million tokens.
OpenAI: GPT Audio
The gpt-audio model is OpenAI's first generally available audio model. The new snapshot features an upgraded decoder for more natural sounding voices and maintains better voice consistency. Audio is priced at $32 per million input tokens and $64 per million output tokens.
Google: Lyria 3 Pro Preview
Full-length songs are priced at $0.08 per song. Lyria 3 is Google's family of music generation models, available through the Gemini API. With Lyria 3, you can generate high-quality, 48kHz stereo audio from text prompts or from images. These models deliver structural coherence, including vocals, timed lyrics, and full instrumental arrangements. Lyria 3 Pro can generate full-length songs with verses, choruses, bridges.
Google: Lyria 3 Clip Preview
30 second duration clips are priced at $0.04 per clip. Lyria 3 is Google's family of music generation models, available through the Gemini API. With Lyria 3, you can generate high-quality, 48kHz stereo audio from text prompts or from images. These models deliver structural coherence, including vocals, timed lyrics, and full instrumental arrangements. Lyria 3 Clip can generate short clips, loops, previews.
Preguntas frecuentes
Envíe POST /api/v1/chat/completions con modalities establecido en ["text", "audio"] y un objeto audio que especifique voice y format. La salida de audio requiere stream: true; la respuesta llega en fragmentos SSE y el cliente concatena en orden los fragmentos base64 de delta.audio.data antes de decodificar la cadena combinada una sola vez para obtener el archivo final. La guía de audio explica la solicitud y el formato de los fragmentos. Para la síntesis de voz dedicada, utilice los modelos de texto a voz en POST /api/v1/audio/speech.
Las fichas con precios publicados muestran los precios de audio de entrada y de salida por millón de tokens junto a los precios de tokens de texto, por lo que el coste de una respuesta depende de cuánto audio devuelve. Solo paga por las solicitudes que realiza, sin una suscripción independiente por proveedor.
Establezca audio.voice y audio.format en la solicitud. Las voces como alloy o nova y los formatos como wav, mp3, flac, opus y pcm16 varían según el modelo, por lo que debe consultar la página del modelo antes de elegir.
Sí. Una clave de API de OpenRouter funciona con todos los modelos de audio de esta página y con todos los demás modelos de OpenRouter. Cree una clave en su página de claves de API.