Speech-to-text (STT, with hotwords and 22 dialects), text-to-speech (TTS, 21 voices), OCR image/PDF text recognition, and typed decision-making with calibrated probabilities. 11 MCP tools including async tasks for long audio, long text and PDF documents. API key required; new accounts get a ¥10 trial credit at suanlinfang.cn.
Scored across 11 tools
Each capability family is split into a synchronous short-input tool (recognize_image, synthesize_speech, transcribe_audio) and an asynchronous long-input pair (submit_*_task + get_*_task), which are inherently overlapping purposes. However, the descriptions explicitly state the size/duration thresholds and cross-reference the alternative ('更长的文本请改用 submit_speech_task'), so an agent can reliably pick the right one. decide is clearly distinct from everything else.
Almost everything follows a clean snake_case verb_noun pattern with a predictable submit_/get_/list_ prefix scheme per resource (document, speech, transcription). The only deviation is the bare verb 'decide', which lacks an object and breaks the pattern slightly.
11 tools is well within a healthy scope, and the count is explained by a deliberate structure: four capability families plus a voice listing utility, with each sync/async/poll tool earning its place. Nothing feels padded or missing at the structural level.
The surface covers the full sync/async lifecycle for OCR, TTS, and ASR, plus structured decision-making, so core workflows have no dead ends. Minor gaps remain: no task cancellation or task listing, no timestamped transcription output, and document results are only a download URL that expires, forcing re-submission.
智能决策（System One 类型化判断）：输入业务状态与若干类型化问题，返回每题的校准概率，不生成文本。 适用：工单分类、风控判定、质检评估等结构化判断场景。无上下文记忆，每次请求独立。 questions 为 {题目id: 题目} 映射（1-32 题），type 三种：choice（多选一，criteria={选项名:描述}）、 noul（是否判断，criteria 可选 {true:描述,false:描述}）、score（有序等级打分，criteria=[等级描述...]），可选 instructions 说明该问什么。 示例：{"team":{"type":"choice","criteria":{"refund":"退款","logistics":"物流"}},"urgent":{"type":"noul"},"severity":{"type":"score","criteria":["轻微","一般","严重"]}} answers 按同键回传，含选中项、置信度与全选项概率。 计费按输入 token（约 2 元/百万，输出免费），失败不计费。
Inputs: state (required), questions (required). Returns: object
查询 PDF 文档识别任务状态。status：queued/running（看 doneUnits/totalUnits 进度）、 success（resultUrl 为聚合结果下载链接）、failed（errorMsg）。任务终态保留 72 小时。
Inputs: task_no (required). Returns: object
查询长文本语音合成任务状态。status：queued/running（看 doneUnits/totalUnits）、 success（resultUrl 为完整音频下载链接，1 小时内有效，过期重查即换新链）、failed（errorMsg）。 任务终态保留 72 小时。
Inputs: task_no (required). Returns: object
查询长音频转写任务状态。status：queued/running（进行中，看 doneUnits/totalUnits 进度）、 success（text 为全文转写）、failed（errorMsg 为失败原因）。任务终态保留 72 小时。
Inputs: task_no (required). Returns: object
查询语音合成当前可用音色清单（code/name/gender/styleTag）。合成前先看这个选 speaker。
Inputs: no named parameters. Returns: result
识别图片中的文字（png/jpg/webp/bmp，≤20MB，公网 URL），同步返回逐行文本。 tier：standard 标准档（快速，适合清晰打印件/截图）；accurate 精准档（表格、多栏、倾斜拍摄等复杂版面）。 prompt 仅精准档生效：自定义识别指令（如「只提取表格金额列」），≤2000 字符，缺省识别全部文字。 计费按页（单图=1 页，约 0.5~1.5 分/页）。
Inputs: tier (required), image_url (required), prompt. Returns: object
提交 PDF 文档识别任务（≤200MB、≤500 页，逐页识别整本）。适合扫描合同/书籍/报告。 提交后用 get_document_task 轮询结果。prompt 仅精准档生效。计费按页。
Inputs: tier (required), document_url (required), prompt, file_name. Returns: object
提交长文本语音合成任务（≤20 万字）：平台按 500 字切块合成并拼接为完整音频。 提交后用 get_speech_task 轮询结果。计费约 2 元/万字符。
Inputs: text (required), speaker, audio_format. Returns: object
提交长音频转写任务（会议录音/播客/网课，最长 2 小时、≤500MB，wav/mp3/flac/m4a/ogg/aac）。 平台自动按 180 秒切段逐段转写并拼接全文（纯文本，不含时间戳）。提交后用 get_transcription_task 轮询结果。 language 留空自动检测，指定时用语种代码（如 zh、en）；context 可传热词（人名、术语、品牌，逗号分隔），对全部音频段生效。 计费按实际时长（约 0.5 元/小时），余额不足会在提交时被拒绝。
Inputs: audio_url (required), context, language, file_name. Returns: object
把文本合成为语音（≤3000 UTF-8 字节，约 1000 汉字），同步返回现签下载链接（url，GET 即得音频，1 小时内有效）。 请提醒用户及时下载转存——链接过期后只能重新合成（重复计费）。 更长的文本请改用 submit_speech_task（异步任务）。speaker 音色代码先用 list_tts_voices 查询。 计费约 2 元/万字符，失败不计费。
Inputs: text (required), speaker, audio_format. Returns: object
把一段短音频（公网 URL）转成文字。适用于 ≤3 分钟、≤20MB 的录音/语音消息，同步秒级返回。 更长的音频请改用 submit_transcription_task（异步任务）。 language 留空自动检测（支持普通话、英语及 22 种中文方言）；指定时用语种代码（如 zh、en）。 context 可传热词（人名、术语、品牌，逗号分隔），专有名词按所列写法优先转写——会议转写建议填与会人名。 返回全文纯文本（不含时间戳/分句时间轴）。计费按音频实际时长（约 0.5 元/小时，精确到秒），失败不计费。
Inputs: audio_url (required), context, language. Returns: object
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Hosted text-to-speech MCP server: 66 voices in 9 languages, long-form narration, podcasts.
Generate English and Chinese speech, split long text, track batch jobs, and download audio.
STT + SRT/VTT; 3-hour async jobs; dTelecom-compatible file API; x402 $0.002/min, no prepaid credits
Pronunciation assessment, phoneme scoring, speaker voice ID, audio transcription, speech synthesis.
Add one secure layer between your agents and this server.