Melhores modelos de geração de áudio
Classificações de modelos atualizadas com base em dados reais de uso.
Os modelos são classificados pelo total de tokens de prompt e de resposta processados pela API do OpenRouter nos últimos 7 dias. Exibindo os 4 melhores modelos. As classificações medem o uso no OpenRouter e refletem a adoção, não a qualidade do modelo ou o desempenho em testes de referência.
Os modelos de geração de áudio criam saídas de áudio a partir de texto ou outros prompts, viabilizando casos de uso como geração de música, design de som, assistentes habilitados para voz e aplicações multimodais que respondem com áudio. Esta coleção destaca alguns dos melhores modelos de geração de áudio disponíveis no OpenRouter, facilitando a comparação de qualidade, preços e latência entre provedores por meio de uma única API.
Principais modelos de geração de áudio no 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.
Perguntas frequentes
Envie POST /api/v1/chat/completions com modalities definido como ["text", "audio"] e um objeto audio que especifique voice e format. A saída de áudio requer stream: true; a resposta chega em blocos SSE, e o cliente concatena os fragmentos base64 de delta.audio.data em ordem antes de decodificar a string combinada uma única vez para obter o arquivo final. O guia de áudio aborda a solicitação e o formato dos blocos. Para síntese de fala dedicada, use os modelos de conversão de texto em fala em POST /api/v1/audio/speech.
As listagens com preços publicados mostram os preços de áudio de entrada e de saída por milhão de tokens ao lado dos preços de tokens de texto, portanto o custo de uma resposta depende da quantidade de áudio que ela retorna. Você paga apenas pelas requisições que faz, sem uma assinatura separada por provedor.
Defina audio.voice e audio.format na requisição. Vozes como alloy ou nova e formatos como wav, mp3, flac, opus e pcm16 variam conforme o modelo, então consulte a página do modelo antes de escolher.
Sim. Uma única chave de API do OpenRouter funciona com todos os modelos de áudio desta página e com todos os outros modelos no OpenRouter. Crie uma chave na sua página de chaves de API.