DARKMINDDARK INTELLIGENCE
[ PUBLIC_CATALOG / USD ]

Нейросети для озвучки, музыки и распознавания речи_

Аудиомодели решают разные задачи: синтез речи читает текст вслух, распознавание переводит запись в текст, а музыкальные модели создают звук. Тип модели указан в каждой карточке. Поддержка голосов, языков, форматов и длительности зависит от выбранного инструмента.

КАК СРАВНИВАТЬ СТОИМОСТЬ

У аудиомоделей различаются единицы тарификации: символы текста, секунды исходного аудио или длительность результата. Сравнивайте цены вместе с единицами; стоимость запроса появится рядом с результатом и в истории. Для распознавания загрузите запись, для озвучки подготовьте текст; музыкальная генерация использует отдельную модель.

Выберите модель и отправьте запрос из кабинета. Стоимость рассчитывается автоматически и появляется рядом с результатом и в истории. Доступность, возможности и тарифы могут изменяться; перед запросом проверьте выбранную модель.

// LIVE_CATALOG

ДОСТУПНЫЕ МОДЕЛИ

35 моделей в разделе · Обновлено:

Музыка и звук

ACE-Step 1.5

ace-step-15

Feature-rich song generation with optional lyrics and detailed musical controls.

Длительность 60–60s$0.06 / генерация
Длительность 61–90s$0.08 / генерация
Длительность 91–120s$0.10 / генерация
Все единицы тарификации (6)
Длительность 121–150s$0.12 / генерация
Длительность 151–180s$0.14 / генерация
Длительность 181–210s$0.16 / генерация
Озвучка

Chatterbox HD (Resemble AI)

tts-chatterbox-hd

Chatterbox HD is Resemble AI's open-weight text-to-speech model, known for expressive, natural delivery. It offers 9 voices and returns WAV audio.

Текст для озвучки$100.00 / 1 млн символов
Музыка и звук

ElevenLabs Multilingual v2

elevenlabs-tts-multilingual-v2

Multilingual text-to-speech using ElevenLabs. Supports 29 languages with high-quality natural-sounding voices, configurable speed, and accent accuracy.

Входной текст$0.23 / 1000 символов
Музыка и звук

ElevenLabs Music

elevenlabs-music

High-quality instrumental music generation with configurable duration. Best for polished, production-ready tracks across a wide range of genres.

Длительность 3–60s$1.38 / генерация
Длительность 61–120s$2.76 / генерация
Длительность 121–180s$4.16 / генерация
Все единицы тарификации (10)
Длительность 181–240s$5.52 / генерация
Длительность 241–300s$6.90 / генерация
Длительность 301–360s$8.30 / генерация
Длительность 361–420s$9.68 / генерация
Длительность 421–480s$11.04 / генерация
Длительность 481–540s$12.44 / генерация
Длительность 541–600s$13.80 / генерация
Музыка и звук

ElevenLabs Music v2

elevenlabs-music-v2

High-quality realistic music generation with optional vocals and configurable duration. Best for polished, production-ready tracks across a wide range of genres.

Длительность 3–60s$1.38 / генерация
Длительность 61–120s$2.76 / генерация
Длительность 121–180s$4.16 / генерация
Все единицы тарификации (10)
Длительность 181–240s$5.52 / генерация
Длительность 241–300s$6.90 / генерация
Длительность 301–360s$8.30 / генерация
Длительность 361–420s$9.68 / генерация
Длительность 421–480s$11.04 / генерация
Длительность 481–540s$12.44 / генерация
Длительность 541–600s$13.80 / генерация
Музыка и звук

ElevenLabs Music v2.5

elevenlabs-music-v2-5

Latest ElevenLabs music generation with higher-quality realistic tracks, optional vocals, and configurable duration. Best for polished, production-ready songs across a wide range of genres.

Длительность 3–60s$1.38 / генерация
Длительность 61–120s$2.76 / генерация
Длительность 121–180s$4.16 / генерация
Все единицы тарификации (10)
Длительность 181–240s$5.52 / генерация
Длительность 241–300s$6.90 / генерация
Длительность 301–360s$8.30 / генерация
Длительность 361–420s$9.68 / генерация
Длительность 421–480s$11.04 / генерация
Длительность 481–540s$12.44 / генерация
Длительность 541–600s$13.80 / генерация
Распознавание

ElevenLabs Scribe V2

elevenlabs/scribe-v2

ElevenLabs Scribe V2 is ElevenLabs' speech-to-text model, built for accurate transcription across many languages. It accepts a language hint and returns word-level timestamps with speaker labels.

Исходное аудио$0.000334 / секунда аудио
Музыка и звук

ElevenLabs Sound Effects

elevenlabs-sound-effects-v2

Generate high-quality sound effects from text descriptions using ElevenLabs. Ideal for films, games, and digital content with configurable duration.

Созданное аудио$0.0046 / секунда
Музыка и звук

ElevenLabs TTS v3

elevenlabs-tts-v3

Generate natural text-to-speech audio using ElevenLabs Eleven-v3. High-quality voices with stability control and automatic text normalization.

Входной текст$0.23 / 1000 символов
Музыка и звук

ElevenLabs TTS v4

elevenlabs-tts-v4

Generate expressive text-to-speech audio using ElevenLabs Eleven-v4. High-quality voices with audio tag support and automatic text normalization.

Входной текст$0.184 / 1000 символов
Музыка и звук

ElevenLabs TTS v4 Turbo

elevenlabs-tts-v4-turbo

Generate fast text-to-speech audio using ElevenLabs Eleven-v4 Turbo. High-quality low-latency voices with audio tag support and automatic text normalization.

Входной текст$0.092 / 1000 символов
Озвучка

ElevenLabs Turbo v2.5

tts-elevenlabs-turbo-v2-5

ElevenLabs Turbo v2.5 is ElevenLabs' low-latency multilingual speech model, balancing quality and speed for real-time use. It offers 21 voices and returns MP3 audio.

Текст для озвучки$125.00 / 1 млн символов
Музыка и звук

ElevenLabs Voice Changer

elevenlabs-voice-changer

Re-record any speech in a different voice with ElevenLabs Voice Changer. Keeps the original delivery, pacing and emotion.

Длительность 1–60s$0.70 / генерация
Длительность 61–120s$1.38 / генерация
Длительность 121–180s$2.08 / генерация
Все единицы тарификации (5)
Длительность 181–240s$2.76 / генерация
Длительность 241–300s$3.46 / генерация
Озвучка

Gemini 3.1 Flash TTS

tts-gemini-3-1-flash

Gemini 3.1 Flash TTS is Google's Gemini-based speech model, which follows natural-language instructions for tone and pacing. It offers 30 voices and returns MP3, Opus or WAV audio.

Текст для озвучки$375.00 / 1 млн символов
Озвучка

Gradium TTS

tts-gradium-v1

Gradium TTS is Gradium's text-to-speech model for natural, low-latency voice generation. It offers 12 voices and returns WAV, PCM or Opus audio.

Текст для озвучки$95.00 / 1 млн символов
Озвучка

Inworld TTS-1.5 Max

tts-inworld-1-5-max

Inworld TTS-1.5 Max is the higher-quality tier of Inworld's TTS-1.5 speech model, made for expressive delivery in games, companions and voice agents. It offers 14 voices and returns WAV audio.

Текст для озвучки$25.00 / 1 млн символов
Озвучка

Kokoro Text to Speech

tts-kokoro

Kokoro is hexgrad's open-weight 82M-parameter text-to-speech model. It speaks in 54 voices across several languages and returns MP3, Opus, AAC, FLAC, WAV or PCM audio.

Текст для озвучки$7.00 / 1 млн символов
Музыка и звук

Lyria 3 Pro

lyria-3-pro

Google's Lyria 3 Pro generates full-length, structured songs up to 3 minutes long from a single text prompt. Supports vocals, lyrics, and multi-language generation across genres.

Генерация$0.20 / генерация
Музыка и звук

MiniMax Music 2.0

minimax-music-v2

Full song generation with vocals and lyrics. Provide your own lyrics with verse/chorus structure for complete songs with singing.

Генерация$0.08 / генерация
Музыка и звук

MiniMax Music 2.5

minimax-music-v25

Advanced song generation with vocals, lyrics optimizer, and instrumental mode. Supports structure tags and up to 3500 character lyrics.

Генерация$0.36 / генерация
Музыка и звук

MiniMax Music 2.6

minimax-music-v26

Latest MiniMax song generation with vocals, instrumental mode, and support for rich structure tags in lyrics.

Генерация$0.36 / генерация
Озвучка

MiniMax Speech-02 HD

tts-minimax-speech-02-hd

Clone your voice from a short recording and generate natural speech in it across 30+ languages.

Текст для озвучки$250.00 / 1 млн символов
Музыка и звук

MMAudio V2

mmaudio-v2-text-to-audio

Generate synchronized audio and sound effects from text prompts with MMAudio V2.

Созданное аудио$0.00184 / секунда
Озвучка

Orpheus TTS

tts-orpheus

Orpheus TTS is Canopy Labs' open-weight speech model, built on Llama 3B for natural, emotive delivery. It offers 8 voices and returns WAV audio.

Текст для озвучки$125.00 / 1 млн символов
Распознавание

Parakeet ASR

nvidia/parakeet-tdt-0.6b-v3

Parakeet TDT 0.6B v3 is NVIDIA's open-weight speech recognition model, with 600 million parameters and support for 25 European languages, which it detects on its own. It transcribes quickly, with punctuation and capitalization.

Исходное аудио$0.0002 / секунда аудио
Озвучка

Qwen 3 TTS 0.6B

tts-qwen3-0-6b

Qwen 3 TTS 0.6B is the smaller of Alibaba's two open-weight Qwen3-TTS models, built for fast, low-cost speech. It offers 9 voices and returns MP3 audio.

Текст для озвучки$175.00 / 1 млн символов
Озвучка

Qwen 3 TTS 1.7B

tts-qwen3-1-7b

Qwen 3 TTS 1.7B is the larger of Alibaba's two open-weight Qwen3-TTS models, trading some speed for higher-quality speech. It offers 9 voices and returns MP3 audio.

Текст для озвучки$225.00 / 1 млн символов
Музыка и звук

Seed Audio 1.0

seed-audio-1-0

Generate expressive multilingual speech and audio from a text prompt with BytePlus Seed Audio 1.0 (20 languages, timestamp length control).

Созданное аудио$0.00575 / секунда
Музыка и звук

Sonilo V1.1 Music

sonilo-v1-1-music

Generate licensed, commercial-use-safe music with precise control over style, mood, instrumentation, and duration.

Созданное аудио$0.00575 / секунда
Музыка и звук

Sonilo V1.1 Sound Effects

sonilo-v1-1-sound-effects

Generate licensed, commercial-use-safe sound effects with precise control over type, texture, intensity, and duration.

Созданное аудио$0.00414 / секунда
Музыка и звук

Stable Audio 2.5

stable-audio-25

Fast, lightweight audio generation for sound effects, ambient textures, and short musical clips. Flexible duration from 5 seconds to over 3 minutes.

Генерация$0.38 / генерация
Распознавание

Whisper Large V3

openai/whisper-large-v3

Whisper Large V3 is OpenAI's open-weight speech recognition model, trained on about 5 million hours of audio and able to transcribe around 100 languages. It's a robust general-purpose choice for multilingual transcription.

Исходное аудио$0.0002 / секунда аудио
Распознавание

Wizper (Whisper v3)

fal-ai/wizper

Wizper is an optimized deployment of OpenAI's Whisper Large V3, transcribing the same languages with faster turnaround. It accepts a language hint and returns segment timestamps.

Исходное аудио$0.0002 / секунда аудио
Распознавание

xAI Speech to Text v1

stt-xai-v1

xAI Speech to Text v1 is xAI's speech recognition model, which transcribes recorded audio into text. It accepts a language hint and returns word-level timestamps.

Исходное аудио$0.000063 / секунда аудио
Озвучка

xAI TTS v1

tts-xai-v1

xAI TTS v1 is xAI's text-to-speech model, made for narration, assistants and voice apps. It offers 26 voices and returns MP3, WAV or PCM audio.

Текст для озвучки$37.50 / 1 млн символов

ЧТО ЗНАЧИТ UNCENSORED И РЕЖИМ MAX

Метка UNCENSORED указана в характеристиках модели и указывает на модель со сниженным количеством отказов. Она не гарантирует точность или ответ на любой запрос. Max — уровень рассуждения только у тех моделей, которые его поддерживают; доступные режимы указаны в карточке. Правила и возможности зависят от выбранной модели.

ОТКРЫТЬ ИНТЕРАКТИВНЫЙ КАТАЛОГ ↗