模型选型
按任务、协议、规格与计费方式选择模型。
按任务选择入口
| 业务任务 | 接口入口 | 选型重点 |
|---|---|---|
| 多轮对话、问答、代码与推理 | Chat Completions | 先看上下文和输出长度，再比较响应速度、推理模式、工具调用与单位成本。 |
| 使用响应对象、结构化输出或工具结果 | Responses | 核对模型的 Responses 支持、输出格式和工具种类；需要连续响应时另核对会话状态能力。 |
| 保留 Claude 原生消息与思考块 | Claude Messages | 核对 system、max_tokens、内容块与工具结果格式，以及模型支持的思考和缓存配置。 |
| 保留 Gemini 原生内容与生成配置 | Gemini GenerateContent | 核对 contents/parts、generationConfig 和模型支持的输入、输出模态。 |
| 语义检索、知识库召回与排序 | 文本嵌入 / 重排序 | 嵌入模型将文本转为向量，重排模型为候选文档评分。检查维度、输入长度、批量上限与计费单位。 |
| 文生图、图片修改与局部编辑 | 图片生成 / 图片编辑 | 区分是否需要输入图片或蒙版；检查尺寸、质量、透明背景、输出格式和张数。Gemini 原生图像使用对应接口。 |
| 文生视频、图生视频与视频任务 | 视频任务 / OpenAI 视频协议 | 核对输入方式、时长、分辨率、比例、音轨与任务查询路径。选择适合业务等待时间的异步处理方式。 |
| 朗读文本、录音转写与音频翻译 | TTS / ASR / 音频翻译 | 先确定输入输出语言，再检查音色、音频格式、时长、文件大小及字符或时长计费口径。 |
| 双向语音会话 | 实时语音 | 使用 WebSocket 会话；核对音频编码、采样率、事件格式与会话时长。普通音频上传接口不提供相同的会话交互。 |
接入前核对四项
- 输入和输出：确定文本、图片、音频或视频，以及是否需要工具调用、结构化结果或流式返回。
- 模型与协议：使用完整模型 ID，核对账户可用模型、接口路径与请求结构；同一模型系列的型号可能有不同能力。
- 规格与时间：检查上下文、输出上限、媒体规格及任务等待方式，并设置应用端超时和队列。
- 费用与容量：比较相同输入、输出和媒体规格下的计费口径，同时核对账户价格、RPM、TPM 和并发限制。
模型 ID 与权限可从 模型列表 核对；价格见 模型与价格。协议字段说明用于组织请求，具体型号的支持范围见模型资料和对应接口页。
语音模型与音色
下表列出平台语音配置。接口页中的兼容音色或格式示例用于说明协议，选择时应与具体模型对应。
| 项目 | 说明 | 平台信息 |
|---|---|---|
| TTS 模型 | 文本转语音模型 ID | — |
| TTS 音色 | 按模型对应的 voice 值 | — |
| TTS 输出格式 | 按模型对应的音频格式 | — |
| TTS 文本长度 | 单次文本字符上限 | — |
| ASR 模型 | 音频转录模型 ID | — |
| ASR 输入格式 | 支持上传的文件格式 | — |
| ASR 文件大小 | 单个文件上限，MB | — |
| ASR 时长 | 单段音频上限，秒 | — |
| ASR 语言 | 各模型支持的识别语言 | — |
| 音频翻译模型 | 音频翻译接口的模型 ID | — |
| 音频翻译输入格式 | 支持上传的文件格式 | — |
| 音频翻译文件大小 | 单个文件上限，MB | — |
| 实时语音模型 | 实时会话模型 ID | — |
| 实时语音音色 | 按模型对应的音色值 | — |
| 实时输入编码 | 输入音频编码与采样率 | — |
| 实时输出编码 | 输出音频编码与采样率 | — |
| 实时会话时长 | 单次会话上限，秒 | — |