第24章 2025 最佳语音转文字 API 指南
AI 趋势与资讯 2026 年最佳语音转文字 API 作者:Deepgram,2026 年 2 月 4 日
语音转文字(STT)API 的选择很多。本文介绍各类方案的优缺点,帮你选出最适合自己的那一款。
选对语音转文字 API,决定了你的语音应用是能达到生产级的识别精度,还是因转写错误让用户抓狂。本指南从精度、速度、成本和定制能力等维度对比了 10 家领先的服务商,帮助工程团队做出明智决策。
STT API 市场体现了企业对语音技术的强烈投入。据 Grand View Research 统计,全球 STT API 市场规模在 2024 年达到 38 亿美元,预计到 2030 年将增至 86 亿美元,年复合增长率为 14.4%。
随之而来的挑战是:可选的 STT API 实在太多,让人眼花缭乱。从大型科技公司的云服务,到专注语音的 AI 公司,再到开源方案,各家在价格、精度和功能上都各有差异。本文将剖析领先的语音转文字 API,说明它们的优势与局限,并给出一份反映当前 STT 技术水平的排名。
什么是语音转文字 API?
语音转文字 API(也叫自动语音识别 API,即 ASR API)本质上是一个可以调用的服务,把包含语音的音频转写成文字。STT 服务接收音频数据,用深度学习模型处理,然后返回推断出的语音内容文本。
现代 STT API 早已告别隐马尔可夫模型等传统技术。如今的主流服务商都采用基于 Transformer 的架构和用数百万小时音频训练的基础模型。到 2026 年,原生多模态系统能直接理解音频、无需中间文本表示,主流服务商的实时多语言转写已支持 50 到 140 多种语言。
向对话式语音识别的演进
传统 STT 关注的是对录制音频的转写精度。如今,重点已转向对话式语音识别——目标不再是事后转写,而是支持自然、实时的语音交互。
这一演进带来了新的技术要求。低于 300 毫秒延迟的实时流式处理已是基本门槛,但光有精度还不够。语音系统还必须理解话轮转换(turn-taking),分辨说话人是句中停顿还是已经说完。像 Deepgram 的 Flux 这样的专用模型通过将话轮结束检测(end-of-turn detection)内置到模型中解决了这个问题,省去了额外接入语音活动检测(VAD)系统所带来的延迟和复杂度。这些能力——包括处理打断、交叉通话和多轮上下文——正是语音 Agent 基础设施与普通转写 API 的分水岭。
其他常见叫法
这项技术还有几个常见名称:Speech Recognition API、Voice Recognition API、Transcription API 和 ASR API。本文对这些术语混用,它们指的都是同一类底层技术。
2026 年选择语音识别 API 时最该考虑什么?
什么才是最好的语音转文字 API?最快的最好?最准的最好?最便宜的最好?答案取决于你的具体项目,因人而异。在评估和选择转写服务时,需要仔细权衡多个方面,而各项的重要程度取决于你的目标场景和最终用户需求。
精度与速度
精度:STT API 应在各种说话条件下都能产出高精度转写,包括背景噪音、方言、口音、说话人重叠和领域术语。大多数语音应用都需要高精度才能创造价值和良好的用户体验。2026 年,Deepgram Nova-3 等领先服务商在通用英语上达到了 5.26% 的词错误率(WER),医学专用模型在临床转写中可达 93% 的准确率。
速度:很多应用要求快速响应和高吞吐。语音 Agent、实时字幕等实时应用对超低延迟有硬性要求,通常以几百毫秒计。批处理场景则可能更看重吞吐量而非延迟。应根据自身需求同时评估流式和录制音频的性能。
成本与部署
成本:语音转文字是应用技术栈的基础能力,成本效率至关重要。各家定价差异很大,从每分钟 0.002 美元到每小时 1.44 美元不等,取决于服务商和套餐。如果 ROI 不够,会直接拖累最终应用的可用性。应考虑总体拥有成本(TCO),包括基础设施、工程资源和批量折扣。
模态:重要的输入模式包括预录(批处理)音频和实时(流式)音频。并非所有服务商都两者兼顾——有的擅长批处理但流式延迟差,有的为实时优化但收费更高。
可扩展性与可靠性:生产级 STT API 要能应对不同量级的吞吐需求,从小型初创公司到大型企业都不在话下。对于服务中断会带来营收损失和品牌损害的应用,运行可靠性必不可少。
定制与集成
功能与能力:开发者需要的不仅仅是干巴巴的转写文本。说话人分离、词级时间戳、智能格式化、语言检测、语音理解等丰富功能,能提升文本可读性并为下游任务提供更多价值。
定制、灵活性与适应性:没有放之四海而皆准的方案。能否针对特定词汇或行话定制 STT 模型、能否提供满足隐私、安全和合规要求的灵活部署方式,都是重要考量。2026 年,无需机器学习专业知识即可自助定制已成为关键差异化能力。
易上手、易使用:语音识别 API 只有能集成进你的应用才有价值。灵活的定价方案(包括基于用量的计费和批量折扣)非常关键。提供顺畅的自助注册、慷慨的免费额度和完善的 SDK 的服务商,能让开发者先测试验证再决定投入。
支持与专业能力:出问题时,AI、机器学习和口语理解领域的专家能提供巨大帮助。以语音 AI 为核心业务的服务商更能快速诊断和解决问题,也更有可能持续改进。
语音转文字 API 最重要的功能有哪些?
各服务商的功能差异很大,具体哪些能力优先,取决于你的使用场景。
语言与格式
多语言支持:如果你要处理多种语言或方言,这是刚需。即使暂时不打算做多语言,选择一家语言覆盖广、支持实时多语言转写(如 Nova-3)的服务商,也为未来扩展留了余地。Deepgram Nova-3 支持实时多语言转写 10 多种语言,市面上主流服务商现在普遍支持 50 到 140 多种语言。
格式化:标点、数字格式、分段、说话人标注(分离)、词级时间戳、脏话过滤等格式化选项,能提升文本可读性和下游处理的实用性。
多音频格式支持:如果音频来源多样、编码不一,一款免去格式转换的 STT API 能节省时间、降低处理复杂度。
智能与定制
理解能力:使用语音识别 API 的一个主要动机,就是搞清楚谁说了什么、为什么说。很多应用借助自然语言理解任务,对会话音频进行识别、提取和摘要,产出可落地的洞察。
关键词(Keyword Boosting):当音频中包含现成模型不认识的专业术语、罕见专有名词、缩写和首字母缩略词时,扩展自定义词表很有帮助,能让模型把这些自定义词纳入预测候选。
自定义模型:关键词只适合处理少量专有词,若想达到最佳效果,还需要用代表性数据训练的自定义模型。支持在自己数据上微调模型的服务商,能带来超出开箱即用方案的精度提升。
语音转文字的主要应用场景有哪些?
基于 STT API 的语音技术驱动着各行业的关键业务应用。
消费级与企业级应用
智能助手:苹果 Siri、亚马逊 Alexa 这类虚拟助手大概是语音转文字最常见的应用——接收语音指令,转成文字,然后执行。
对话式 AI 与语音 Agent:语音 Agent 让人类可以实时与 AI 对话。语音转文字是这条流水线的第一步,必须以极低延迟完成,交互才能像自然对话一样流畅。像 Deepgram 的 Flux 这样的专用模型,通过模型内置的话轮结束检测和超低延迟优化,实现自然的实时交互。
实时坐席辅助:呼叫中心坐席处理实时通话时,STT 可以同步转写对话,让 AI 系统实时推送相关知识库文章、合规提示和建议话术。与通话后分析不同,实时坐席辅助要求在整通电话中保持稳定的亚秒级延迟,还要能处理打断、交叉通话和背景噪音,并在时机过去之前给出可执行的指引。这个场景需要转写精度与对话智能协同发力。
销售与客服赋能:基于语音转文字的数字助手可实时转写和分析坐席对话,识别辅导机会,为坐席改进提供洞察。
行业专用应用
医疗转写:在医疗领域,问诊记录依然费时费力,人工记录难免漏记或听错。基于 STT API 的医疗 AI 工具解决了这些问题,借助专用神经架构,生产环境中的准确率可达 93-99%。
呼叫中心:呼叫中心用 STT 生成通话记录,支持坐席考核、客户情绪分析和规模化业务洞察。每天处理数千通电话的企业呼叫中心,依靠高精度、低延迟的转写来支撑实时辅导和通话后分析。
语音分析:语音分析泛指一切从语音音频中挖掘洞察的工作,无论对象是呼叫中心、会议还是演讲和演示。
无障碍:语音转写显著提升无障碍体验——从课堂讲座字幕,到能实时转写对话的智能徽章。
如果企业需要完整的语音解决方案,可以考虑搭配 text-to-speech API,与语音转文字能力互补,开发交互式语音应用。
如何评估语音转文字 API 的性能?
所有 STT 方案的目标都是产出高精度、易读的转写结果。我们建议使用与生产环境真实音频相似的文件做并排精度测试,找出最适合你的方案。最佳评估方式是综合定量的基准测试和定性的人工偏好评估,覆盖精度、速度等最重要的质量与性能维度。
理解词错误率(WER)
衡量转写质量的行业标准指标是词错误率(Word Error Rate,WER)。5% 的 WER 意味着每 100 个词有 5 个错误(准确率 95%)。Deepgram Nova-3 的批处理 WER 为 5.26%,即准确率 94.74%。
WER 之所以用错误率而非准确率来表示,是因为错误可以细分为不同类别,便于分析出错模式:
WER = (insertions + deletions + substitutions) / total words
基准测试的最佳实践
对厂商宣称的精度数字要保持怀疑。很多公开的 WER 数据都来自"容易"的音频:语速慢、词汇简单、安静环境下录制的高质量音频。真实世界的音频——语速快的对话、行业行话、远场麦克风、背景噪音、说话人重叠——结果会大不一样。
很多模型已经在主流基准数据集上训练过,"开发者可以通过过拟合来夸大报告的性能"。厂商建议开发者"用你具体场景的真实音频文件跑自定义评估"。
最佳基准测试方法,是使用来自真实场景、未参与训练的留出数据集(holdout dataset),涵盖与你的生产数据相符的多样化音频长度、口音、环境和主题。
排名:2026 年十大语音转文字 API
背景介绍完毕,下面进入当前最佳语音识别 API 的排名!
1. Deepgram 语音转文字 API
Deepgram 在 STT 精度基准上领先,同时保持最低延迟和有竞争力的价格,是生产级语音应用的首选。
Deepgram 提供多款基于深度学习的转写模型,包括 Nova-2、Nova-3、Nova-3 Medical 和 Flux(专为语音 Agent 打造的对话式语音识别模型)。其旗舰模型 Nova-3 的词错误率为 5.26%。
Deepgram 的 STT 平台同时支持预录音频和实时流,并提供云、本地部署和私有云多种部署方式。平台功能丰富:多语言、智能格式化、说话人分离、填充词识别和语言理解能力。
转写方面,Deepgram 的 Nova-3 提供 5.26% 的批处理 WER、覆盖 10 多种语言的实时多语言转写、无需机器学习知识的自助定制,以及在嘈杂环境和受监管领域等严苛条件下的增强精度。
针对语音 Agent 应用,Deepgram 还提供 Flux,具备模型内置话轮结束检测、可配置的话轮转换动态和面向语音 Agent 流水线的超低延迟优化。不同于需要额外接入语音活动检测的通用 STT API,Flux 原生处理对话动态,降低了集成复杂度和延迟。
医疗场景方面,Nova-3 Medical 针对医学词汇做了微调,包括药名、临床缩写和拉丁语源疾病术语。
注册免费 API Key 或联系我们咨询。
优点: - 批处理 WER 低至 5.26%,流式性能比竞品提升 54% - 低延迟,原生支持实时 - 价格有竞争力(批处理每分钟 0.0043 美元,流式每分钟 0.0077 美元) - 多种部署方式(云、本地、私有云) - 功能先进,包括面向语音 Agent 的 Flux(模型内置话轮结束检测) - 开发者友好,提供 Console 和 API Playground
缺点: - 语言数量少于部分服务商(聚焦高频语言),但在持续扩充中
价格:按量付费层级,流式每分钟 0.0077 美元(每小时 0.462 美元),批处理每分钟 0.0043 美元(每小时 0.258 美元)。
2. OpenAI Whisper API
OpenAI 提供多种语音转文字方案:开源 Whisper 模型和更新的基于 GPT-4o 的转写模型,后者精度更高。
开源的 Whisper Large V3 Turbo(2024 年 10 月)通过架构优化(解码器层数从 32 减到 4)实现了 5.4 倍速度提升。2025 年 3 月,OpenAI 发布了错误率低于 Whisper 的 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 模型。OpenAI 现在推荐优先使用 gpt-4o-mini-transcribe 获得最佳效果,最新快照于 2025 年 12 月发布。
Whisper 支持 50 多种语言,对口音、背景噪音和技术语言的处理不错。但 Whisper 开箱不支持实时转写。需要实时语音应用的开发者要用 OpenAI 的 Realtime API——该 API 于 2025 年 8 月 28 日正式 GA,并推出了新的 gpt-realtime 语音到语音模型。
自托管部署 Whisper 需要大量计算资源。OpenAI 模型卡列出了开发者必须注意的已知限制:无原生实时支持、方言和口音识别存在偏差、无原生说话人分离、文件大小上限 25 MB(长录音需要切块逻辑)。
优点: - 转写精度不错 - 语言覆盖广(50 多种) - API 每分钟成本低 - 语言检测和语音活动检测
缺点: - 实时转写需要另外接入 Realtime API - 最大模型速度慢,精度与速度需取舍 - 无内置说话人分离、词级时间戳或关键词检测 - 已知缺陷需要开发者自行绕过 - 25 MB 文件上限需要切块逻辑 - 自托管部署基础设施成本不低 - 没有面向对话场景、原生话轮结束检测的专用模型
价格:OpenAI API 每分钟 0.006 美元(每小时 0.36 美元);自托管需基础设施投入。
对比 Whisper 与 Deepgram
3. Microsoft Azure 语音转文字
Microsoft Azure Speech-to-Text 语言支持广泛、企业集成能力强,但价格和延迟落后于专业服务商。
Azure 支持 140 多种语言和方言,提供实时和批处理两种模式,具体有三种转写方式:实时(基于 WebSocket 的流式)、快速转写(REST API,出结果快于实时)和面向大音量的批转写。
企业功能包括多设备会话与实时转写流、说话人识别与分离、面向合规的转写保存与检索,以及面向边缘计算的容器化部署。
最新 API 版本(2025-10-15)与更广泛的 Azure 生态深度集成,但也带来了厂商锁定的风险。独立分析显示其 WER 约在 13-23% 之间,取决于音频质量和领域。
优点: - 语言支持广泛(140 多种语言和方言) - 支持实时流式 - 与 Azure 生态集成 - 企业级安全与可扩展性 - 企业承诺层级提供大幅批量折扣(最高省 50%)
缺点: - 基础价格较高 - 部分实时场景有延迟问题 - 定制模型支持不如专业服务商 - 云厂商锁定 - 需要配套 Azure 基础设施 - 通用型架构缺少面向对话的优化
价格:实时每小时 1.00 美元,批处理每小时 0.36 美元;企业承诺层级可享批量折扣。
对比 Microsoft Azure 与 Deepgram
4. Google Cloud 语音转文字
Google Cloud Speech-to-Text 通过 Chirp 模型系列提供广泛的多语言支持,最新的 Chirp 3 精度进一步提升。
Chirp 3: Transcription 于 2025 年正式 GA,精度更高、支持 100 多种语言的增强多语言能力和说话人分离。Chirp 3 目前仅通过 V2 API 提供(目前仅限美国区域)。
Google 在 Cloud Speech-to-Text 界面提供 Accuracy Evaluation 功能,开发者上传带标准答案转写的音频文件,即可用行业标准的 WER 指标对 STT 模型做基准测试。
优点: - 多语言支持广泛(100 多种语言) - Chirp 2 和 Chirp 3 支持实时流式 - ASR 精度提升,说话人分离支持增强 - 词级时间戳精度提升 - 与 Google Cloud 生态集成 - Accuracy Evaluation 功能便于基准测试
缺点: - 价格偏高 - Chirp 3 目前仅限美国区域 - API 版本复杂(V1 与 V2 有差异) - 云厂商锁定 - 长文件转写需要自行实现切块 - 没有面向语音 Agent 场景的专用对话模型
价格:视数据日志设置而定,每小时 0.72-0.96 美元。
对比 Google 与 Deepgram
5. AssemblyAI
AssemblyAI 价格有竞争力,重点在文本格式化的准确度,而非单纯优化 WER。
2024 年,AssemblyAI 降价 43% 至每小时 0.37 美元,同时发布了 Universal-2,优先保证"拿来即用的数据"而非纯 WER 优化。Universal-2 在字母数字准确率上提升 21%(对电话号码、产品编码、客户 ID 至关重要),文本格式化准确率提升 15%。
2025 年 10 月,AssemblyAI 发布了新的语音语言模型 Slam-1,以及支持六种语言的多语言流式、安全护栏和用于深度 AI 集成的 LLM Gateway。
优点: - 价格有竞争力,每小时 0.37 美元(较此前降价 43%) - 文本格式化准确率高(字母数字提升 21%,格式化提升 15%) - 新的 Slam-1 语音语言模型 - 支持六种语言的多语言流式 - 安全护栏与 LLM Gateway 集成
缺点: - 整体精度落后于专业服务商(WER 10.7%,对比 Deepgram Nova-3 的 5.26%) - 可扩展性有限(并发流上限、说话人标签限制) - 定制选项有限 - 没有面向语音 Agent 话轮转换的专用模型
价格:异步语音转文字每小时 0.37 美元。
对比 AssemblyAI 与 Deepgram
6. Amazon Transcribe
Amazon Transcribe 与 AWS 生态集成紧密,其新的语音基础模型将语言支持扩展到 100 多种。
Amazon Transcribe 提供分层量价方案,规模越大折扣越高(最高 67.5%),支持面向领域词汇的自定义语言模型、说话人分离、自动语言识别和 PII 内容脱敏,并与 AWS 基础设施深度集成。
其 HIPAA 合规的医疗转写版本服务医疗场景,但价格较高(每分钟 0.075 美元)。
优点: - 借助新基础模型,预录音频精度不错 - 语言大幅扩充(100 多种语言,精度提升 20-50%) - 批量折扣力度大(最高层级 67.5%) - 与 AWS 生态集成 - 有 HIPAA 合规的医疗版本
缺点: - 基础价格较高(未打折前每分钟 0.024 美元) - 每次 API 请求最低计费 60 秒 - 各区域价格不一(部分区域溢价高达 69%) - 自定义语言模型加收 25% 费用 - AWS 生态锁定 - 为转写负载设计,不适合对话式语音 Agent
价格:第 1 层每分钟 0.024 美元,500 万分钟以上降至每分钟 0.0078 美元;医疗转写每分钟 0.075 美元。
对比 Amazon 与 Deepgram
7. Rev AI
Rev AI 的入门价格全市场最低,Standard 模型每分钟仅 0.002 美元。
优点: - Standard 模型性价比高,每分钟 0.002 美元(每小时 0.12 美元) - 新用户有 5 小时免费额度 - 英语内容精度不错 - 支持面向领域术语的自定义词表 - 集成 Zoom,可直接转写会议
缺点: - Standard 模型精度有限 - 非英语语言精度较差 - 实时性能有限 - 定制选项有限 - 可扩展性受限(并发流上限) - 没有对话式语音识别能力
价格:Standard 模型每分钟 0.002 美元(每小时 0.12 美元),Premium 模型每分钟 0.025 美元(每小时 1.50 美元)。
8. Speechmatics
Speechmatics 是一家英国公司,对英式口音、英式拼写和医学术语的表现出色。
Speechmatics 支持 55 多种语言,每月提供 480 分钟免费额度,支持 20 路并发实时会话。该公司在语音 AI 架构演进方面贡献了不少洞察,包括提供原生音频理解的原生多模态模型。
优点: - 英式口音和英式拼写表现出色 - 支持 55 多种语言,非英语语言精度不错 - 具备医疗转写能力 - 部署灵活,云端和本地皆可 - 免费额度慷慨(每月 480 分钟)
缺点: - 价格高于部分竞品(约每小时 0.30 美元) - 市场份额小于主要云厂商 - 自助定制能力有限
价格:约每分钟 0.005 美元(每小时 0.30 美元)。
对比 Speechmatics 与 Deepgram
9. IBM Watson 语音转文字
IBM Watson Speech-to-Text 主打需要深度定制和合规能力的企业应用,而非在裸精度基准上竞争。
IBM 产品页强调:面向领域语言的自定义模型训练、面向呼叫中心优化的预训练客服领域模型,以及无代码定制工具。IBM 通过聚焦受监管行业和借助 Watson Speech Libraries for Embed 提供的本地部署能力,保持企业市场地位。
优点: - 支持面向专业领域的自定义模型训练 - 可本地部署 - 企业级合规功能 - 预训练客服领域模型
缺点: - 价格高于专业服务商 - 精度落后于新一代方案 - 自助能力有限 - 采用最新模型架构较慢
价格:Plus 方案每分钟 0.02 美元(每小时 1.20 美元),支持批量折扣。
10. Kaldi
Kaldi 是一个开源工具包,提供的是搭建 ASR 系统的积木,而非现成的 API。要做出生产级系统,需要大量开发工作。
精度高度依赖可用的训练数据,且需要大量自行训练。WER 因模型配置和训练数据质量而差异巨大。
优点: - 无授权费用 - 对模型架构和训练有完全控制权 - 庞大的研究社区和文档
缺点: - 实时转写能力有限(需自行实现) - 需大量开发才能做出可用方案 - 架构导致速度慢 - 无商业支持 - 需要持续的工程投入
价格:免费使用(但需要大量基础设施和开发投入)。
STT 对比总结表
下表汇总了 10 家服务商的关键差异,供选型评估参考。
服务商排名表 *需要大量基础设施和开发投入
如何解读排名
精度数据来自各厂商公开的基准测试结果。速度综合考量流式延迟和批处理吞吐。成本为享受批量折扣前的基础价格。定制能力指自助模型适配能力。"对话式"一列表示该服务商是否提供面向语音 Agent 场景、原生具备话轮结束检测和话轮转换动态的专用模型。
如何根据使用场景选择服务商
选哪款语音转文字 API,取决于你对精度、延迟、语言支持、定制能力和总体拥有成本的具体要求。
按应用类型推荐
语音 Agent 和实时应用:优先考虑低延迟、流式精度和对话能力。Deepgram 搭配 Flux 提供通用 STT API 缺少的专用话轮结束检测和话轮转换动态。这一点很关键,因为语音 Agent 需要的是自然的对话流,而不只是准确的转写。
实时坐席辅助:需要在整通电话中保持稳定的亚秒级延迟,并能处理打断和交叉通话。Deepgram 的流式性能和对话式架构很适合这个场景。
医疗健康:需要 HIPAA 合规和领域专用精度。Deepgram Nova-3 Medical 和 Amazon Transcribe Medical 能满足这些需求。
已有云基础设施的企业:优先考虑生态集成。Azure、Google Cloud 和 Amazon Transcribe 都与各自平台深度集成。
成本敏感的批处理:Rev AI Standard(每分钟 0.002 美元)和 Deepgram 批处理(每分钟 0.0043 美元)单价最低。
多语言应用:Google(100 多种语言)、Azure(140 多种语言)和 Whisper(50 多种语言)覆盖最广。
开始使用 Deepgram
如果你想亲自试试 Deepgram,注册即可获得含 200 美元额度的免费 API Key,或联系我们讨论你的转写需求。
对本文或 Deepgram 的其他方面有反馈?欢迎到我们的 GitHub discussions 留言,或联系产品专家。
常见问题
实时流式和批处理转写该怎么选?
实时流式适合需要即时反馈的应用:语音 Agent、实时字幕、呼叫中心分析。批处理更适合后处理工作流,如播客转写、会议纪要和合规归档。部分服务商对两种模式收费不同。Deepgram 两种模式都有且价格有竞争力,而 Whisper 原生只支持批处理(实时需要另外接入 OpenAI Realtime API)。
生产应用需要什么精度水平?
生产要求因场景而异。呼叫中心通常需要 90% 以上准确率(WER 低于 10%)才能支撑坐席辅导和合规监控。医疗转写为满足临床文档要求需要 95% 以上准确率。语音 Agent 则同时要求高精度和低延迟,话轮结束检测对自然对话流至关重要。务必用与生产环境相符的音频做测试,而不是只看公开基准。
能否针对行业术语定制语音转文字模型?
大多数服务商都提供某种程度的定制能力,但方式差异很大。Deepgram 无需机器学习知识即可通过关键词加权(keyword boosting)和自定义词表自助定制。Google 和 Azure 提供模型适配功能。IBM Watson 专注面向受监管行业的企业级定制。Kaldi 等开源方案可以完全重新训练模型,但需要大量工程资源。评估时要想清楚:你是只需要快速添加词汇,还是需要深度微调模型?
各家的定价模式有何不同?
定价结构差异很大。按分钟计费(Deepgram、Rev AI、Amazon)按实际音频时长收费。按小时计费(AssemblyAI、Azure)可能涉及进位取整。有的服务商设最低计费(Amazon 每次请求最低 60 秒)。批量折扣从 20% 到 67% 不等,取决于承诺量级。自托管方案(Whisper、Kaldi)省去了按分钟费用,但需要基础设施投入。计算总体拥有成本时应把工程时间也算进去,而不只是 API 费用。
WER 基准和真实场景精度有什么区别?
公开的 WER 基准通常用干净、录音质量好、语音清晰的音频。真实世界的音频则有背景噪音、说话人重叠、口音、领域行话和糟糕的录音质量。一家基准上 WER 5% 的服务商,在复杂的生产音频上 WER 可能达到 15-20%。务必用你的实际音频样本做并排测试。AssemblyAI 的文档明确警告过,基准过拟合在这个行业很常见。
相关文章 查看全部
Francisco Sousa Machado GTM Lead - España 用 Nova-3 为你的西班牙呼叫中心做好应对 Ley 10/2025 的准备 公告
Abe Pursell SVP, Global Business Development and Partnerships Deepgram Marketplace:语音 AI 的开放生态 公告
Ed Anuff CPO 不丢上下文的语音 Agent 公告
Deepgram Deepgram 正在收购 Pipecat 的开发方 Daily,打造首个完整、可用于生产环境的对话式语音 AI 开放技术栈 公告