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。
MiniMax-M3.1-Flash 是 MiniMax 推出的多模态模型。与 M3 相比，它在多个基准测试中均有显著提升，尤其是在复杂智能体任务、编程和网络安全方面。它专为复杂、多步骤的协同工作自动化而打造，能够理解真实代码库、修复缺陷并构建功能，同时具备视觉理解与创作能力，包括前端和演示文稿的创建。模型权重计划开放。
MiniMax-M3.1-Flash 是 MiniMax 推出的多模态模型。与 M3 相比，它在多项基准测试中均有显著提升，尤其在复杂智能体任务、编程和网络安全方面表现突出。该模型面向复杂的多步骤协作自动化、理解真实代码库、修复缺陷和构建功能，以及视觉理解与创作（包括前端和演示文稿创建）。计划开放模型权重。
当前由 DeepSeek-V4.1-Flash-1017 提供服务，具备原生多模态视觉理解能力，支持思考与非思考模式，适用于复杂推理、编程、长文本分析、视觉理解与工具调用。
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。