guides
集成前如何评估 AI 语音转文本 API
一份面向语音转文本 API 的集成前五支柱检查清单：抽查同一段 3 分钟音频，验证说话人分离/时间戳，比较流式与批处理延迟及计费，梳理 $/min 附加项，并在上线前阅读训练/保留条款。
从排行榜截图里挑一个语音转文本（STT）API，正是产品继承错误账单和错误故障模式的方式。在集成之前，请对你的音频——口音、产品名称、暖通空调噪声——做一次提交前评估，而不是对厂商干净的演示片段做评估。
本指南是一份面向 STT API 的五支柱检查清单。具体示例使用 Deepgram、AssemblyAI、OpenAI Platform 转写模型和 Azure Speech。Otter.ai 这类会议纪要产品和 Descript 这类编辑器，仅在你不需要 API 时作为产品化替代方案出现。ElevenLabs 属于相邻的 TTS，而非 STT。这不是会议机器人对比。
结论： 冻结 3–5 段真实片段（每段约 3 分钟），抽查专有名词和数字，然后根据产品延迟——而不是首页的 FPS GIF——决定流式还是批处理。梳理基础 $/min 或 $/hr 加附加项（说话人分离、脱敏、医疗）。阅读你的法务能接受的训练 / 保留 / 区域条款。当你想要带清晰附加项菜单的语音原生 API 时，优先选 Deepgram 或 AssemblyAI；当你已经统一在该平台上时选 OpenAI；当你承诺使用 Microsoft 云 + 区域控制时选 Azure。
发现：公开文档 + 有限实操框架（核验时间 2026-11-04，Asia/Shanghai）。没有编造的 WER 排行榜。在预测 COGS 之前，请重新核对官方定价计算器。
本文面向谁
- 添加字幕、通话纪要或语音代理的产品/工程负责人
- 在批处理后处理和实时字幕之间做选择的平台
- 比较“买 Otter/Descript”与“基于 STT API 自建”的团队
不在范围内：法庭速记认证，以及仅离线的嵌入式 DSP 芯片。
五大评估支柱
| # | 支柱 | 通过信号 |
|---|---|---|
| 1 | 同一段约 3 分钟音频 → 转写抽查 | 专有名词、数字和不流畅处达到你的标准 |
| 2 | 说话人分离与时间戳 | 说话人标签 / 词级时间戳符合你的 UI 需求 |
| 3 | 流式与批处理延迟 | p50/p95 符合产品；理解空闲 WebSocket 计费 |
| 4 | 定价单位与隐藏费用 | 基础模型 + 附加项 + 多声道计算，按你的分钟数 |
| 5 | 数据：训练、保留、区域 | 可向安全/法务展示的书面默认条款 |
支柱 1 — 同一段 3 分钟音频，WER 式抽查
流程： 冻结三段片段：(A) 安静环境下的母语者朗读产品名称，(B) 两人重叠说话，(C) 嘈杂 / 带口音。用各厂商默认推荐的预录音频模型转写。不要发布虚假的整体 WER——抽查 20 个关键 token（SKU、金额、姓名）。
如果关键 token 能保留，或可通过关键词增强系统性修复，则通过。如果模型自信地编造错误的药品/金融术语，则失败。
| 厂商 | 公开模型形态（查看实时文档） | 评估提示 |
|---|---|---|
| Deepgram | Nova-3 / Flux STT 系列；多语言 SKU | 对难名词尝试关键词提示附加项 |
| AssemblyAI | Universal-3.5 Pro / Universal-2 预录；显式设置 speech_models | 免费与付费默认值可能不同——固定模型 |
| OpenAI Platform | gpt-transcribe（约 $0.0045/min）替代已弃用的 whisper-1 路径 | 25 MB 文件限制；仔细规划拆分 |
| Azure Speech | 批处理 vs 快速 vs 实时 SKU | 对文件而言批处理通常是 COGS 赢家 |
会议应用（Otter.ai、Descript）如果你明天就需要 UI 而非 API，可能胜出——但在标准化之前仍要跑同样的片段。
支柱 2 — 说话人分离与时间戳
流程： 在片段 B 上，要求说话人标签和词级或轮次级时间戳足以满足你的播放器。定性统计说话人切换错误。
公开定价提醒（快照 2026-11-04）：
- Deepgram： 预录音频包含说话人分离；流式说话人分离按即用即付列价约 $0.0020/min（Growth 更低）。
- AssemblyAI： 异步说话人分离约 +$0.02/hr 标准（+$0.065 实验性）；流式说话人分离约 +$0.12/hr。
- OpenAI： 在定价页优先选择当前支持说话人分离的转写 SKU；较旧的
whisper-1/ GPT-4o-transcribe 路径已进入弃用倒计时——阅读迁移说明。 - Azure： 说话人分离通常作为增强附加项出现（零售镜像常引用约 $0.30/hr——请确认你所在区域的 Azure 价格表）。
通过： 标签对你的 UX 足够稳定。失败： 你需要法庭级说话人分离，而 API 仅“尽力而为”——预算人工复核。
支柱 3 — 流式与批处理延迟
流程： 先定义产品需求：实时字幕 / 语音代理（流式）vs 通话后摘要（批处理）。对 30 秒话语测量流式端到端秒数，对批处理测量排队→结果时间。
在设计文档中记录的计费陷阱：
- AssemblyAI 流式按 WebSocket 打开时间计费，包括空闲——通话结束时关闭 socket。
- Deepgram 宣传普通请求按秒计费音频、无块取整——仍要留意多声道（立体声可能翻倍）。
- Azure 实时 vs 批处理 vs“快速转写”是不同的计量器（见支柱 4）。
- OpenAI 实时转写 SKU 的每分钟价格远高于文件转写——不要“因为能流式”就流式。
支柱 4 — 定价单位与隐藏费用（快照 2026-11-04，Asia/Shanghai）
数字是公开标价提示，不是报价。区域和承诺会改变数字。
Deepgram (deepgram.com/pricing)
| 项目 | 即用即付（公开） | 备注 |
|---|---|---|
| 免费额度 | $200（无需信用卡） | FAQ：约 700+ 小时 Nova-3 量级——以实时为准 |
| Nova-3 预录单语 | $0.0043/min | Growth $0.0036/min |
| Nova-3 流式单语 | $0.0077/min | Growth $0.0065/min |
| 流式说话人分离附加项 | $0.0020/min | 预录说话人分离已包含 |
| Growth 承诺 | 从 $4,000/yr 预付起 | 费率最高低约 20% |
AssemblyAI (assemblyai.com/pricing)
| 项目 | 公开 | 备注 |
|---|---|---|
| 免费额度 | $50，无需信用卡 | 免费版流式并发较低 |
| Universal-3.5 Pro 预录 | $0.21/hr | 附加项叠加 |
| Universal-2 预录 | $0.15/hr | |
| Universal-3.6 Pro Realtime | $0.45/hr 基础 | 按会话时长计费 |
| Universal-Streaming | $0.15/hr | 更便宜；为代理验证质量 |
| EU 区域 | 与 US 同价 | api.eu.assemblyai.com |
OpenAI Platform（developers.openai.com 定价）
| 模型（公开） | 约 | 备注 |
|---|---|---|
gpt-transcribe | $0.0045/min | 当前文件转写方向 |
whisper-1 | $0.006/min | 已弃用——迁移截止日期见文档 |
| 实时 / realtime whisper 级 | 约 $0.017/min | 用于真正的流式需求 |
Azure Speech (azure.microsoft.com pricing/details/speech)
East US 零售镜像常列（请为你的订阅确认计算器）：
| SKU | 约公开价 | 备注 |
|---|---|---|
| 标准批处理 | 约 $0.18/音频小时 | 当前批处理价格用 REST v3.2+ |
| 快速转写 | 约 $0.36/小时 | 同步文件路径 |
| 实时标准 | 约 $1.00/音频小时 | 实时 |
| 免费 F0 | 实时 5 音频小时/月 | 批处理不在 F0 上 |
隐藏费用清单： 多声道 × 声道数、说话人分离/PII 附加项、医疗领域包、空闲 socket、自定义模型端点托管、数据驻留加价。
支柱 5 — 数据训练、保留、区域
流程： 将厂商答复粘贴到你的安全问卷中：默认是否用客户音频训练？保留 TTL？零数据保留选项？EU/US 端点？BAA/HIPAA？
公开姿态示例（始终重读 DPA）：
- Deepgram：SOC2、GDPR、EU 端点（
api.eu.deepgram.com）、Enterprise 消息中提供 HIPAA BAA。 - AssemblyAI：明确列出 SOC2/ISO/GDPR；HIPAA BAA 定位为无需销售溢价即可签署。
- OpenAI Platform：企业数据控制不同于消费级 ChatGPT——使用 API/企业文档，而非 ChatGPT Free 假设。
- Azure：Microsoft 产品与服务 DPA + 区域部署通常是购买理由。
通过： 法务能引用一个 URL 和一个日期。失败：“我们以后会匿名化。”
自建 vs 购买（Otter / Descript）
如果你的用户只需要带 UI 的会议纪要，先评估 Otter.ai 或 Descript 作为产品。当你需要嵌入式字幕、电话或语音代理时，再集成原始 STT。如果你要闭环对话，通过 ElevenLabs 或 Azure/Deepgram TTS 单独配对 TTS。
决策速查表
| 情况 | 倾向 |
|---|---|
| 实时语音代理、语音原生功能 | Deepgram Flux/Nova 流式或 AssemblyAI 实时——在你的音频上做对比测试 |
| 批处理字幕、最低文件 $/hr | Deepgram 预录、AssemblyAI Universal-2 或 Azure 批处理 |
| 已全面使用 OpenAI 技术栈 | gpt-transcribe + 关注弃用 |
| 需要 Microsoft 合规/区域 | Azure Speech |
| 下周就需要会议 UI | Otter / Descript，而非原始 API |
方法说明
- 有限实操：你的三段片段胜过任何营销 WER 图表。
- 定价日期 2026-11-04，Asia/Shanghai，来自官方定价页 / 文档。
- 在代码中固定模型 ID；“默认”不是合同。
列出你的 AI 工具
正在发布语音或语音 AI？在 AINav 上列出你的 AI 工具。