Fun-ASR 是阿里云推出的多语言语音识别模型，面向长音频转写，支持汉语主要方言、地区口音及 30 个语种，并具备标点预测与文本归一化能力。
# Base64-encode your audio file
AUDIO_BASE64=$(base64 < audio.wav | tr -d '\n')
curl "https://api.agtcloud.cn/v1/audio/transcriptions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model": "fun-asr",
"input_audio": {
"data": "'"$AUDIO_BASE64"'",
"format": "wav"
}
}'POST /v1/audio/transcriptions接口文档将音频转写为文本，接受 base64 编码的音频输入。
EXPLORE MODELS
比较同类型模型的能力、上下文与调用价格，找到更适合当前场景的选择。
新一代全模态大模型，原生支持文本、视觉、音频统一理解，具备 1M 超长上下文窗口，多模态综合能力优秀，在 Coding 与 Agent 场景下任务完成能力提升显著。
Seed-Evolving 是面向 Agent、多模态理解与代码开发打造的 Seed 系列模型。本次更新进一步强化复杂任务规划、视觉推理、工具执行与成果验收，让模型更深入地理解图片、视频与真实软件环境，更可靠地完成从信息获取到成果交付的全过程。统一调用 Model ID doubao-seed-evolving，无需关注版本切换，即可持续获得最新模型能力。
兼顾 V2.6-Pro 旗舰性能，提供最高 20 倍输出速度，服务强实时交互与对响应速度敏感的生产场景。
全模态、高智能、低成本的高效推理模型，面向专业办公中的高频调用与规模化任务的最佳均衡之选。
MiMo-V2.6-Pro 是小米推出的旗舰级基础模型，参数规模超过 1T，旨在为高要求工作负载提供更强的能力上限。 该模型具备 100 万 Token 的上下文窗口，并原生支持多模态能力。针对智能体工作流进行了重点优化，在编程、视觉、通用任务和研究等场景中均具备出色表现，尤其擅长复杂、长链路任务，并能在多种智能体框架和运行环境中保持较强的泛化能力。