Amazon Nova 2 Sonic 是 Amazon 用於打造自然、即時語音對話應用的語音對語音(speech-to-speech)基礎模型,Nova 使用者指南把它定位於互動式語音助理、客服自動化與對話式應用。
- 輸入
- 音訊 文字 $0.06/M
- 輸出
- 音訊 文字 $0.24/M
- 音訊輸入
- $3/M
- 音訊輸出
- $12/M
廠商牌價,無平台加價,按用量計費。 以下為官方 list 價。已登入的使用者可在 /console/pricing 查看含工作空間折扣的實際價格。
價格 · 在 6 個同類模型中的位置
這條線顯示該模型的價格,在 Synthorai 上同類模型裡處於什麼位置。兩端標出了最便宜和最貴的那個。這裡是基礎價,批次、區域與快取寫入的折扣見價格頁。
規格與限制
Token
| 上下文視窗(廠商規格) | 1,000,000 |
|---|---|
| 最大輸出(廠商規格) | 64,000 |
音訊
| 語言 | 英語(US、UK、印度、澳洲)、法語、義大利語、德語、西班牙語、葡萄牙語與印地語,並支援會話中途的自動語言偵測與切換 |
|---|---|
| 音訊限制 |
|
| 串流轉寫 | 支援 |
即時語音
| 語音 | 每個 locale 都提供偏女聲與偏男聲的音色(tiffany/matthew 對應 en-US,amy 對應 en-GB,olivia 對應 en-AU,kiara/arjun 對應 en-IN 與 hi-IN,ambre/florian 對應 fr-FR,beatrice/lorenzo 對應 it-IT,tina/lennart 對應 de-DE,lupe/carlos 對應 es-US,carolina/leo 對應 pt-BR);tiffany 與 matthew 是能說所有支援語言的多語言音色。 |
|---|---|
| 工作階段能力 |
|
模型
| 模態 | 音訊 + 文字 → 音訊 + 文字 |
|---|
- Amazon 面向即時語音應用的語音到語音基礎模型,透過雙向串流 API 而非請求/回應式 API 存取。
- 它會依照輸入語音的韻律調整表達,並能在同一句話中切換語言
- 文件記載其對背景噪音以及所支援語言中的口音都具有穩健性。
30 秒用上 nova-2-sonic
相容 OpenAI Realtime:透過 WebSocket 連線,音訊進、音訊出。WS /v1/realtime
import asyncio, base64, json, websockets
URL = "wss://synthorai.io/v1/realtime?model=nova-2-sonic"
# Send ONLY the Authorization header — the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}
async def main():
async with websockets.connect(URL, additional_headers=HEADERS) as ws:
# 1) configure the speech-to-speech session
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "alloy"}},
},
}))
# 2) send input audio (base64 PCM16), then request a spoken reply
await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
await ws.send(json.dumps({"type": "response.create"}))
# 3) stream the model's audio (and text) back
async for raw in ws:
ev = json.loads(raw)
if ev["type"] == "response.audio.delta":
play(base64.b64decode(ev["delta"])) # audio out
elif ev["type"] == "response.done":
break
asyncio.run(main())import WebSocket from "ws";
const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=nova-2-sonic", {
// Send ONLY the Authorization header — the beta protocol is retired.
headers: { Authorization: "Bearer sk-syn-..." },
});
ws.on("open", () => {
// configure the speech-to-speech session
ws.send(JSON.stringify({ type: "session.update", session: {
type: "realtime", output_modalities: ["audio"], audio: { output: { voice: "alloy" } },
} }));
// send input audio (base64 PCM16), then request a spoken reply
ws.send(JSON.stringify({ type: "input_audio_buffer.append", audio: pcm16Base64 }));
ws.send(JSON.stringify({ type: "input_audio_buffer.commit" }));
ws.send(JSON.stringify({ type: "response.create" }));
});
ws.on("message", (raw) => {
const ev = JSON.parse(raw.toString());
if (ev.type === "response.audio.delta") playAudio(Buffer.from(ev.delta, "base64")); // audio out
else if (ev.type === "response.done") ws.close();
});# Realtime is a WebSocket protocol — use a WS client such as websocat.
# Each line below is one OpenAI Realtime event (JSON) sent to the session.
websocat -H 'Authorization: Bearer sk-syn-...' \
'wss://synthorai.io/v1/realtime?model=nova-2-sonic' <<'EOF'
{"type":"session.update","session":{"type":"realtime","output_modalities":["audio"],"audio":{"output":{"voice":"alloy"}}}}
{"type":"input_audio_buffer.append","audio":"<base64-pcm16>"}
{"type":"input_audio_buffer.commit"}
{"type":"response.create"}
EOF
# Responses stream back as response.audio.delta (base64 audio out) … response.donepackage main
import (
"net/http"
"github.com/gorilla/websocket"
)
func main() {
h := http.Header{}
h.Set("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=nova-2-sonic", h)
if err != nil {
panic(err)
}
defer c.Close()
// configure the speech-to-speech session, send audio, request a spoken reply
c.WriteJSON(map[string]any{"type": "session.update", "session": map[string]any{
"type": "realtime", "output_modalities": []string{"audio"},
"audio": map[string]any{"output": map[string]any{"voice": "alloy"}}}})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.append", "audio": pcm16B64})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.commit"})
c.WriteJSON(map[string]any{"type": "response.create"})
for {
var ev struct {
Type string `json:"type"`
Delta string `json:"delta"`
}
if err := c.ReadJSON(&ev); err != nil {
return
}
if ev.Type == "response.audio.delta" {
playAudio(ev.Delta) // base64 audio out
} else if ev.Type == "response.done" {
return
}
}
}import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.WebSocket;
import java.util.concurrent.CompletionStage;
// JDK built-in WebSocket — no extra dependency needed.
WebSocket ws = HttpClient.newHttpClient().newWebSocketBuilder()
.header("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
.buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=nova-2-sonic"), new WebSocket.Listener() {
public CompletionStage<?> onText(WebSocket w, CharSequence data, boolean last) {
// handle response.audio.delta (base64 audio out) / response.done here
w.request(1);
return null;
}
}).join();
// configure the session, send input audio, then request a spoken reply
ws.sendText("{\"type\":\"session.update\",\"session\":{\"type\":\"realtime\",\"output_modalities\":[\"audio\"],\"audio\":{\"output\":{\"voice\":\"alloy\"}}}}", true);
ws.sendText("{\"type\":\"input_audio_buffer.append\",\"audio\":\"<base64-pcm16>\"}", true);
ws.sendText("{\"type\":\"input_audio_buffer.commit\"}", true);
ws.sendText("{\"type\":\"response.create\"}", true);關於 nova-2-sonic
- 它透過雙向串流 API 而非請求-回應式 API 存取,這正是低延遲多輪對話得以成立的原因;官方文件列出 1M token 上下文視窗與 64K 最大輸出 token,同一段對話中可接受音訊與文字,也回傳音訊與文字。
- 語音覆蓋美式、英式、印度與澳洲腔的英語,外加法語、義大利語、德語、西班牙語、葡萄牙語與印地語,每一種都提供偏男聲與偏女聲兩類音色,並具備自動語言偵測與切換;多語音色能說任何受支援的語言,因此當來電者在對話中途改用另一種語言時,人設仍維持不變。
- 對話行為是它的賣點:語氣表達會隨輸入語音的韻律調整,智慧輪次切換能偵測說話者何時說完,打斷可被優雅處理而不丟失上下文,文件還聲稱它對背景噪音以及受支援語言中的口音具備穩健性。
- 函式呼叫與智慧體工作流程受支援,並可透過檢索增強生成以企業資料為知識建立事實依據,非同步的工具處理讓助理在工具於背景執行時繼續說話。
- 有一項限制需要在設計時繞開:連線上限為八分鐘,範例程式碼中有文件化的續連與會話延續模式可用於更長的對話。
- 可用區域僅限少數幾個。
- Synthorai 透過 OpenAI 相容的 /v1/realtime WebSocket 端點提供它,官方 Realtime SDK 用戶端無需修改即可連線。
常見問題
nova-2-sonic API 可以免費試用嗎?
nova-2-sonic 目前處於邀請制測試階段,需申請開通,而非開放註冊。請在 Synthorai 主控台提交申請,審核通過後即依標準的按用量計費方式收費,無需訂閱。
nova-2-sonic 最擅長什麼?
面向即時語音對話的語音對語音模型、多語音色在語言切換時保持同一人設、連線上限八分鐘,附文件化的續連模式。完整能力請見「關於」一節,內容取自廠商官方發布說明。
nova-2-sonic 的價格是多少?
在 Synthorai 上,nova-2-sonic 輸入 $0.06/百萬 token、輸出 $0.24/百萬 token,即廠商牌價,無平台加價。
如何呼叫 nova-2-sonic API?
nova-2-sonic 是語音對話(speech-to-speech)模型:透過 WebSocket 連線 wss://synthorai.io/v1/realtime?model=nova-2-sonic,使用 OpenAI Realtime SDK(或原生 WebSocket)即可,音訊輸入、音訊輸出。它不是 POST /v1/audio/transcriptions 檔案上傳介面。以你的 sk-syn key 驗證,只送 Authorization 標頭(beta 協定已下線)。
如何開通 nova-2-sonic?
nova-2-sonic 處於邀請制測試階段:請在 Synthorai 主控台申請開通。審核通過後,用法與其他模型相同:把 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1",model 設為 "nova-2-sonic" 即可。
相關模型
對比
本頁每個值都轉錄自廠商自己的文件(連結見上),並帶有核對日期。價格在全目錄範圍內比較;各廠商定義不同的規格值,只說明差異而不作圖表對比。此處沒有任何由我們測量的資料,也不做評分。