Amazon Nova 2 Sonic 是亚马逊的语音对语音基础模型,用于构建自然的实时语音对话应用,Nova 用户指南把它瞄准交互式语音助手、客服自动化和对话式应用。
- 输入
- 音频 文本 $0.06/M
- 输出
- 音频 文本 $0.24/M
- 音频输入
- $3/M
- 音频输出
- $12/M
厂商牌价,无平台加价,按量付费。 以下为官方 list 价。登录客户可在 /console/pricing 查看含工作空间折扣的实际价格。
价格 · 在 6 个同类模型中的位置
这条线显示该模型的价格,在 Synthorai 上同类模型里处于什么位置。两端标出了最便宜和最贵的那个。这里是基础价,批量、区域和缓存写入的折扣见价格页。
规格与限制
Token
| 上下文窗口(厂商规格) | 1,000,000 |
|---|---|
| 最大输出(厂商规格) | 64,000 |
音频
| 语言 | 英语(US、UK、印度、澳大利亚)、法语、意大利语、德语、西班牙语、葡萄牙语和印地语,支持自动语种检测和会话中途切换 |
|---|---|
| 音频限制 |
|
| 流式转写 | 支持 |
实时语音
| 语音 | 每个区域设置都提供偏女声和偏男声的音色(tiffany/matthew en-US,amy en-GB,olivia en-AU,kiara/arjun en-IN 与 hi-IN,ambre/florian fr-FR,beatrice/lorenzo it-IT,tina/lennart de-DE,lupe/carlos es-US,carolina/leo pt-BR);tiffany 和 matthew 是能讲全部受支持语言的多语音色。 |
|---|---|
| 会话能力 |
|
模型
| 模态 | 音频 + 文本 → 音频 + 文本 |
|---|
- 亚马逊面向实时语音应用的语音到语音基础模型,通过双向流式 API 而非请求/响应式 API 访问
- 它会根据输入语音的韵律调整表达,并能在一句话内切换语言
- 文档记载它对背景噪声和受支持语言中的口音都很稳健
30 秒用上 nova-2-sonic
兼容 OpenAI Realtime:通过 WebSocket 连接,音频进、音频出。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);关于 nova-2-sonic
- 它通过双向流式 API 而非请求响应式 API 访问,这正是低延迟多轮对话得以成立的原因;官方文档列出 1M token 上下文窗口和 64K 最大输出 token,同一段对话中同时接受音频和文本,并返回音频和文本。
- 音色覆盖美式、英式、印度和澳大利亚英语,外加法语、意大利语、德语、西班牙语、葡萄牙语和印地语,每种都提供偏男声和偏女声两类,并支持自动语言检测与切换;多语音色可说任何受支持的语言,因此来电者在会话中途更换语言时人设保持不变。
- 对话行为是它的卖点:表达方式随输入语音的韵律调整,智能的轮次接管能检测说话者是否已经说完,打断可以被优雅处理而不丢上下文,文档还称它对背景噪声以及受支持语言中的口音具备稳健性。
- 支持函数调用和智能体工作流,可通过检索增强生成在企业数据上建立知识依据,异步工具处理让助手在工具于后台运行期间继续说话。
- 有一项限制需要在设计时考虑:连接上限为八分钟,示例代码中给出了用于更长对话的续接与会话延续方案。
- 可用区域限于少数几个。
- Synthorai 通过 OpenAI 兼容的 /v1/realtime WebSocket 端点提供它,官方 Realtime SDK 客户端无需修改即可连接。
常见问题
nova-2-sonic API 可以免费试用吗?
nova-2-sonic 目前处于邀请测试阶段:需申请开通,而非开放注册。在 Synthorai 控制台提交申请,通过后即按标准量付费计费,无需订阅。
nova-2-sonic 最擅长什么?
面向实时语音对话的语音对语音模型、多语音色在切换语言时保持同一人设、连接上限八分钟,并有文档化的续接方案。完整能力请见「关于」部分,内容取自厂商官方发布说明。
nova-2-sonic 的价格是多少?
在 Synthorai 上,nova-2-sonic 输入 $0.06/百万 token、输出 $0.24/百万 token,即厂商牌价,无平台加价。
如何调用 nova-2-sonic API?
nova-2-sonic 是语音对话(speech-to-speech)模型:通过 WebSocket 连接 wss://synthorai.io/v1/realtime?model=nova-2-sonic,用 OpenAI Realtime SDK(或原生 WebSocket)即可,音频输入、音频输出。它不是 POST /v1/audio/transcriptions 文件上传接口。用你的 sk-syn key 鉴权,只发 Authorization 头(beta 协议已下线)。
如何开通 nova-2-sonic?
nova-2-sonic 处于邀请测试阶段:在 Synthorai 控制台申请开通。审批通过后与其他模型用法一致:把 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1",model 设为 "nova-2-sonic" 即可。
相关模型
对比
本页每个值都转录自厂商自己的文档(链接见上),并带有核对日期。价格在全目录范围内比较;各厂商定义不同的规格值,只说明差异而不作图表对比。此处没有任何由我们测量的数据,也不做评分。