2026 年最佳语音转文字（STT）API

语音转文字是每个语音 Agent 的第一环，有两件事你之后补不回来：Agent 多快能开口回答， 以及语言模型看到文字之前已经错了多少词。标价从每小时 $0.04 到超过 $0.90 不等， 而准确率排名取决于你相信谁的基准。

简短回答：在独立的 Artificial Analysis 表格上， ElevenLabs Scribe v3（1.9% WER）和 Microsoft MAI-Transcribe-2（2.0%）领先于本文涉及的厂商。做实时 Agent，Deepgram Flux 和 AssemblyAI Universal-3.6 Pro Realtime 都围绕轮次交替设计。最便宜的托管选项是Groq，Whisper 每小时 $0.04；自托管的话，NVIDIA 的 Parakeet 和 Canary-Qwen 是最先该试的开源模型。如果你要选的是整套技术栈而不是单个组件，请读 语音 Agent 平台对比 并搭配 文字转语音 API 指南。

Deepgram 官方的 Flux 发布视频。Flux 是本文中第一个把转写和轮次检测合在一起的模型。

快速选择

下面是我们会作为起点的候选清单。每一行写明标准、推荐和背后的证据。所有价格和分数截至 2026 年 11 月 11 日。

总对比表

每个产品一行，每小时价格由各厂商公布的单位（每分钟、每小时或每 1,000 分钟）换算而来。 如果厂商在我们抓取的页面上没有公布某个数字，单元格会直接写明，而不是猜测。 Gladia 以欧元计价，保持欧元不变。

阅读说明：AWS 的数字来自 AWS 自家定价页上的示例（US East，按用量分档），请视为示意并核对你所在的区域。 Google 的每分钟 $0.016 是 V2 表中的第一个用量档；同一张表在每月超过 200 万分钟后降到每分钟 $0.004。每小时数字是我们由每分钟价格换算的。

Deepgram（Nova-3、Flux）

Deepgram 卖两条产品线。Nova-3 是通用转写模型；Flux 是较新的“对话式语音识别”模型， 返回带 StartOfTurn 和 EndOfTurn 事件的整轮转写，所以你不必把 VAD、端点计时器和 ASR 流拼在一起。 Deepgram 称 Flux 的词错误率与 Nova-3 相当，同时相对流水线方案把 Agent 响应延迟缩短 200 到 600 ms， 把误打断减少约 30%（厂商自报，来自其发布文章）。

定价（按量付费）：Flux 英语和 Nova-3 单语流式均为每分钟 $0.0077（约每小时 $0.46）； Nova-3 多语流式为 $0.0092；Flux Multilingual 为 $0.0078。预录音频的 Nova-3 为每分钟 $0.0043（单语）和 $0.0052（多语），托管的 Whisper Large 为 $0.0048。Growth 方案每年预付 $4,000 起，费率更低（例如 Nova-3 流式每分钟 $0.0065）。新账户有 $200 额度，无需绑卡。预录音频已包含说话人分离，流式为每分钟 $0.0020；关键词提示为每分钟 $0.0013。

优势。本文中文档最完整的轮次检测控制项：eot_threshold 默认 0.7， eot_silence_threshold_ms 默认 5000，可选的 eager_eot_threshold 会在最终事件之前 150 到 250 ms 触发 EagerEndOfTurn，代价是多出 50 到 70% 的 LLM 调用。Nova-3 在独立表格中的速度系数是第二高 （545.6x）。Flux Multilingual 覆盖 10 种语言（英语、西班牙语、德语、法语、印地语、俄语、葡萄牙语、 日语、意大利语、荷兰语），支持语码转换。

劣势。Nova-3 在独立 AA-WER 表上得分 5.2%，落后于 ElevenLabs、Microsoft、 AssemblyAI、Gladia 和 OpenAI 的最新模型。Flux 只支持流式，最初的 Flux 版本只有英语， 自托管还在路线图上。最适合：轮次时机比最后一个点的 WER 更重要的语音 Agent， 以及看重吞吐量的批处理工作负载。

AssemblyAI（Universal）

AssemblyAI 把产品目录拆成了批处理和流式两张价目表。Universal-3.5 Pro 预录音频每小时 $0.21， Universal-2 每小时 $0.15。流式方面，Universal-3.6 Pro Realtime 基础价每小时 $0.45， Universal-Streaming（英语和多语）每小时 $0.15。其定价参考页告诉语音 Agent 的开发者要用 Universal-3.6 Pro Realtime，而不是更便宜的流式档，这是值得测试而不是照单全收的厂商建议。

会改变账单的计费细节。流式按会话时长计费，即 WebSocket 打开的时间，而不是你发送的音频时长， 所以空闲连接也要花钱。附加功能会叠加：说话人分离在批处理中为每小时 +$0.02（标准）、+$0.065 （实验版），流式为每小时 +$0.12；关键词提示在 Universal-3.5 Pro 上每小时 +$0.05，在 Universal-3.6 Pro Realtime 上已包含；翻译每小时 +$0.06。欧盟区域与美国同价。新账户有 $50 额度。

优势。Universal-3.5 Pro 在 AA-WER 上得分 3.0%，标价每小时 $0.21 （Artificial Analysis 估算每 1,000 分钟 $3.50，数字一致），速度系数 100.5x。附加功能菜单是本文中最广的： PII 脱敏、实体检测、情感分析，以及用于摘要的 LLM Gateway。劣势。按功能计费让标价只是下限， 而不是报价；一些较早的功能（自动章节、摘要）在 Universal-3.5 Pro 路径上被标为已弃用。 提示类附加功能列出英语、西班牙语、德语和法语。最适合：想要准确率、音频智能工具箱， 以及批处理与流式价格划分清晰的团队。

OpenAI（gpt-transcribe、Whisper）

截至 2026 年 11 月 11 日，OpenAI 定价页上的转写产品线已经不止 Whisper。gpt-transcribe 为每分钟 $0.0045（每小时 $0.27）。gpt-4o-transcribe 为每分钟 $0.006，token 费率为每百万 $2.50 输入、$10.00 输出； gpt-4o-mini-transcribe 为每分钟 $0.003；gpt-4o-transcribe-diarize 增加说话人标签，每分钟 $0.006； 经典 Whisper 保持每分钟 $0.006。实时音频方面，gpt-live-transcribe 和 gpt-realtime-whisper 标价每分钟 $0.017， 约每小时 $1.02。

优势。按分钟计价简单，有支持说话人分离的模型，SDK 也熟悉。GPT Transcribe 在 AA-WER 上得分 3.3%，领先于 GPT-4o Transcribe（4.0%）和 GPT-4o Mini Transcribe（4.5%）。劣势。实时转写是我们定价的主流 API 中流式费率最高的，而且独立表格显示其速度系数 （GPT Transcribe 42.7x，GPT-4o Transcribe 38.2x）低于 Deepgram、Groq 或 Parakeet 托管商。 AA 还注明，由于时间限制，GPT-4o 转写模型对长音频做了分块。最适合：已经在用 OpenAI、想要一个厂商一张账单的团队，以及需要说话人分离又不想再签一份合同的批处理任务。

ElevenLabs Scribe

ElevenLabs 以语音合成闻名，但 Scribe 现在已是顶级转写产品之一。其定价页列出 Scribe v3 和 Scribe v2 每小时 $0.20，实时模型（Scribe v3 Live、Scribe v2 Realtime）每小时 $0.22，关键词提示另收费。 该公司在 2026 年 11 月 10 日发布了 Scribe v3 和 Scribe v3 Live，比本文日期早一天。

优势。独立表格给 Scribe v3 的 AA-WER 为 1.9%，每 1,000 分钟 $3.33，是主流商业 API 中最低的， 整体仅次于阿里巴巴的预览模型；Scribe v2 以 2.2% 紧随其后。ElevenLabs 称 Scribe v3 比 v2 错误少 27%， 说话人分离错误率是其测试中最低的，而 Scribe v3 Live 比 v2 Realtime 错误少 43%（均为厂商自报）。 定价页列出 90+ 种语言。Scribe v2 Realtime 标称延迟约 150 ms（厂商自报）。劣势。速度系数中等（69.8x），产品线新到 Scribe v3 Live 的独立流式数据还很少，音频智能附加功能的生态也比 AssemblyAI 小。最适合：准确率优先的转写、多语言内容，以及已经在用 ElevenLabs 做语音的团队。 这对组合的另一半请看姊妹篇 文字转语音指南。

Speechmatics

Speechmatics 公布了以美元每小时计的标价表。预录音频：Melia 1 $0.24，Oak 1 $0.30，Standard $0.45， Enhanced $0.75。实时：Linden 1 $0.30（促销价，原价 $0.40），Melia 1 $0.40，Standard $0.45， Oak 1 $0.46，Enhanced $0.80。页面称这些价格不含模型训练和用量折扣，新账户有 $100 额度。

优势。Melia 1 是多语言模型，无需事先选定语言即可转写 56 种语言，并能在句中切换语言； 厂商列出总共 55+ 种语言，另有语言提示和语码转换。Linden 1 面向实时语音 Agent 和低延迟轮次， Oak 1 面向临床对话和听写。说话人分离在预录模型和大多数实时模型上可用（对比表显示 Melia 1 实时不可用）。劣势。在独立表格中，Enhanced 得分 4.0%，但估算价格为每 1,000 分钟 $12.50，是专业厂商中最高的； Melia 为 4.9%，$4.00；Standard 为 5.1%，$7.50。最适合：混合语言音频、带口音语音， 以及想要主服务协议和行业专用模型的企业买家。

Gladia（Solaria）

Gladia 是一家总部在巴黎的 API 厂商，采用以欧元计的预付额度定价。异步价格从 Solaria-3 的每小时 EUR 0.16 和 Solaria-1 的 EUR 0.27 起，随用量下降，每月超过 10,000 小时后降至 EUR 0.12 和 EUR 0.21。 实时为每小时 EUR 0.68。新账户有 EUR 50 额度（有效一年），Gladia 称约合 Solaria-3 异步转写 312 小时。

优势。Solaria-3 在 AA-WER 上得分 3.2%，估算每 1,000 分钟 $2.98，是表中准确率与价格组合最好的之一， 而 Solaria-1 覆盖 100+ 种语言。附加功能便宜（摘要每小时 EUR 0.03，翻译 EUR 0.05）。 劣势。Solaria-3 只支持 5 种语言，说话人分离和增强标点仅限异步，实时价格约为异步的四倍， 自助账户默认会被纳入模型训练（可免费退出）。自助账户的并发为 25 个异步和 30 个实时会话。最适合： 只涉及少数几种语言、对成本敏感的异步转写，以及想要本地厂商、并看重所列 GDPR、HIPAA 和 SOC 2 Type II 的欧洲买家。

Google Cloud（Chirp）

Google 的 Speech-to-Text V2 按分钟计价，每个账户按月分档：前 500,000 分钟每分钟 $0.016，到 100 万分钟为 $0.010，到 200 万分钟为 $0.008，之后为 $0.004。动态批处理（以较低紧迫度处理音频）为每分钟 $0.003。 V1 API 每月含 60 分钟免费，开启数据日志时每分钟 $0.016，不开启则为 $0.024。“Standard” 价格组在 V2 中包含 chirp 模型，以及 default、latest_long、latest_short 和 phone_call。

优势。与 Google Cloud 深度集成，用量档降价幅度大，还有便宜的批处理选项。在独立表格中， Chirp 3 得分 4.3%，每 1,000 分钟 $16.00；Google 的 Gemini 3.5 Transcribe 是另一个基于 LLM 的产品， 得分 2.6%，$5.00，速度系数 93.9x。劣势。较老的 Chirp 在表中得分 31.2%，所以模型命名很重要； Chirp 3 很慢（28.2x），也是列出的主流选项中每 1,000 分钟最贵的。最适合：已经在 Google Cloud 上的团队、用量档能起作用的大批量批处理，以及想把 Gemini 与传统 ASR 模型放在一起试的人。

Azure Speech

Azure 的定价页列出 Real-time Transcription、Fast Transcription、MAI Transcribe-2、MAI Transcribe-1.5、 Batch Transcription、LLM Speech Transcription、Custom Transcription，以及持续语言识别、说话人分离和 发音评估的附加功能。我们抓取时定价页没有渲染出美元金额，所以费率读自微软公开的 Azure Retail Prices API （East US，USD，2026 年 11 月 12 日查询）：实时转写 $1.00/小时，Fast Transcription $0.36/小时， 批处理转写 $0.18/小时，增强功能附加项 $0.30/小时。另有一个 Fast Transcription 促销计量项， $0.10/小时，自 2026 年 9 月 1 日起生效；我们不清楚其条款，所以不把它当作标价。在那次查询中我们没有找到单独的 MAI-Transcribe-2 计量项。页面确认有免费的 F0 档，每月 5 小时实时转写音频，由标准模型和自定义模型共用， 且免费档不支持批处理。费率因区域而异，请核对你所在的区域。

独立数据。Microsoft AI 的 MAI-Transcribe-2 在 AA-WER 上得分 2.0%，速度系数 311.8x， 估算每 1,000 分钟 $1.67，是表中我们涵盖的模型里准确率、速度和价格组合最好的。 MAI-Transcribe-1.5 得分 2.4%，$6.00，77.3x。这些是 Artificial Analysis 的归一化估算， 不是 Azure 标价。劣势。实时每小时 $1.00 与专业厂商相比偏贵， 而且产品目录里有许多重叠的 SKU。最适合：Azure 用户，以及想用自己的音频把 MAI-Transcribe-2 与 Scribe v3 对比测试的人。

AWS Transcribe

Amazon Transcribe 标准转写按秒计费，没有最低时长，分档因区域而异。AWS 自家的示例（US East，N. Virginia） 把流式定为每分钟 $0.01，批处理为每分钟 $0.006，第一档的自动内容脱敏为每分钟 $0.0024。 免费档是前 12 个月每月 60 分钟音频。Call Analytics、Transcribe Medical、自定义语言模型和毒性检测另行计费。

优势。集成面广：IAM、S3、Kinesis 以及 AWS 的其余部分，另外双声道对话只按总时长计费。 在独立表格中，Amazon Transcribe 得分 4.1%，39.1x，每 1,000 分钟 $6.00，Amazon 较新的 Nova 2 Pro 得分 4.9%，$3.10。劣势。与专业厂商相比准确率和速度居中，价格卡分档且依赖区域， 比统一的每小时费率更难比较。最适合：构建在 AWS 上的呼叫中心和联络中心技术栈， 在那里 Call Analytics 和数据驻留比最后一个点的 WER 更重要。如果你的 Agent 还需要地方运行，请看 GPU 云指南（英文）。

Groq（托管 Whisper）

Groq 在其 LPU 推理栈上托管开源 Whisper 模型。其模型页列出 whisper-large-v3 每小时 $0.111， whisper-large-v3-turbo 每小时 $0.04，文件大小上限 100 MB，所列速率限制分别为每分钟 300 和 400 个请求。 Groq 的文档把 large-v3 描述为侧重准确率的选择，同时支持翻译，把 large-v3-turbo 描述为经过微调和剪枝、 用于快速多语言转写的变体。

优势。本文中最低的标价，独立表格显示 Groq 上的 Whisper Large v3 Turbo 为 4.6% WER， 速度系数 312.8x，每 1,000 分钟 $0.67。劣势。这是对开源模型的批处理转写， 所以你得到的是 Whisper 的局限（重复、低资源语言表现不均），而且我们没能确认有内置的轮次检测、 说话人分离或关键词提示。Groq 的定价页本身渲染为空，所以我们的数字来自其文档页面。 最适合：便宜、快速地批处理转写录音、做原型，以及由后处理 LLM 清理文字的流水线。

开源模型：Whisper、Parakeet、Canary-Qwen

开放权重去掉了按分钟计费的表，把成本转到 GPU 和运维上。2026 年有三个模型值得关注，适合不同的任务。 无论选哪个，都要用和 API 候选相同的音频做基准测试，因为 Artificial Analysis 显示同一份权重在不同托管商上得分不同。

Whisper large-v3

OpenAI 的模型卡把它描述为 1550M 参数的多语言模型，在 100 万小时弱标注音频和 400 万小时伪标注音频上训练， 各语言相对 large-v2 的错误率降低 10% 到 20%。它被 Hugging Face Transformers 支持，几乎能在任何地方运行， 也是许多托管服务的基础（Deepgram、Groq、Together AI、fal.ai 和 Replicate 都列出了它）。 模型卡对局限很坦率：不同语言、口音和方言的准确率不均，以及倾向于生成重复文本。 独立得分从 4.1%（fal.ai）到 10.1%（Replicate），这是关于托管差异的一课。

NVIDIA Parakeet TDT 0.6B v3

6 亿参数的多语言模型，面向高吞吐转写，覆盖 25 种欧洲语言，采用 CC BY 4.0 发布。 模型卡报告其在 Hugging Face Open ASR 排行榜数据集上的平均 WER 为 6.34%（AMI 11.31%、Earnings-22 11.42%、 GigaSpeech 9.59%、LibriSpeech clean 1.93% 和 other 3.59%、SPGI 3.97%、TEDLIUM 2.75%、VoxPopuli 6.14%）， 其多语言表列出 FLEURS 平均 11.97% 和 MLS 平均 7.83%。模型卡里有一个用于 NeMo 的流式推理脚本。 在 Artificial Analysis 上，Together AI 托管的 Parakeet TDT 0.6B V3 得分 4.5%，速度系数 652.5x， 是表中最快的，每 1,000 分钟 $1.50。适合欧洲语言的批处理吞吐场景。

NVIDIA Canary-Qwen-2.5B

仅英语的语音识别与语音 LLM 模型，25 亿参数，采用 CC BY 4.0 发布。其模型卡报告在 Hugging Face Open ASR 排行榜上平均 WER 5.63，418 RTFx（AMI 10.18、GigaSpeech 9.41、LibriSpeech clean 1.60 和 other 3.10、 Earnings-22 10.42、SPGI 1.90、TEDLIUM 2.72、VoxPopuli 5.66；模型卡日期为 2025 年 7 月，请视为一个快照）。 因为它把语音编码器与 LLM 结合，所以也可以被提示去做摘要或问答。Replicate 托管版本在 AA-WER 上得分 4.3%，但速度系数只有 7.9x，所以部署细节对结果影响很大。当你想在一个自托管模型里同时获得英语准确率和 LLM 后处理时，选它。

基准测试与独立数据

我们使用三类证据：2026 年 11 月 11 日抓取的 Artificial Analysis 语音转文字排行榜；2026 年 11 月 12 日读取的 Hugging Face Open ASR 排行榜；以及 NVIDIA 在模型卡上给出的数字。Artificial Analysis 的 AA-WER v2 是对约 8 小时音频按时长加权的平均：AA-AgentTalk（50%）、VoxPopuli-Cleaned-AA（25%）和 Earnings22-Cleaned-AA（25%）。 它使用清洗过的参考文本，对无法处理完整长度音频的模型，AA 会做分块（部分 OpenAI 和 Amazon 模型约 9 分钟， Canary Qwen 等模型约 30 秒）。价格是 AA 估算的每 1,000 分钟成本，已跨计费模型归一化； 速度系数是每秒处理所转写的音频秒数，取最近 7 天在 10 分钟文件上的中位数。

来源：Artificial Analysis 语音转文字排行榜，非流式，2026 年 11 月 11 日抓取。我们展示了一个子集 （所列模型中的 22 个），用来覆盖本文涉及的厂商；该页面还列出了 Soniox、Mistral、StepFun、Zoom 等我们未评估的模型。 分数会随模型和托管商更新而变化，所以请把日期视为数字的一部分。

这张表说明了什么。榜首很紧：Scribe v3（1.9%）、MAI-Transcribe-2（2.0%）和 Voxtral Small Transcribe 3（2.1%）只差零点几个百分点，在这个范围内换一个数据集就可能改变顺序。中段（3% 到 5%）集中了大多数主流 API， 所以价格、速度和功能决定选择。Deepgram 的 Nova-3 为 5.2%，用一部分准确率换来了表中第二的速度（545.6x）。 旧版 Chirp 的 31.2% 提醒你要检查端点实际提供的是哪个模型。还有一点说明：Artificial Analysis 自己的 FAQ 文字落后于它的表格（仍把 Scribe v2 排第四），所以我们采用表格里的数值。

Open ASR 排行榜，实时数据。Hugging Face 的 Open ASR 排行榜（hf-audio/open_asr_leaderboard） 在浏览器中渲染，但其 Space 在公开的 Gradio 配置里发布了表格数据，我们于 2026 年 11 月 12 日读取了它。 英语标签页有 64 个排名条目，多语言标签页有 29 个完整覆盖的条目，长文本标签页对 Earnings21、Earnings22 和 CORAAL 给出了排名。下表保留了本文涉及的模型。WER 越低越好，RTFx 是排行榜报告的吞吐量（每秒计算处理的音频秒数）。

来源：Hugging Face Open ASR 排行榜 Gradio 配置，2026 年 11 月 12 日抓取。有三点值得注意。第一，排行榜现在使用更新的数据集组合 （包括 AMI-Cleaned、Earnings22-Cleaned-AA-chunked、URGENT24 和私有数据），所以它的数字与 NVIDIA 模型卡上的数字不再一致： Canary-Qwen-2.5B 在这里平均为 6.92，模型卡上是 5.63；Parakeet TDT 0.6B v3 在这里是 7.04，模型卡上是 6.34。 第二，Azure、ElevenLabs、AssemblyAI、OpenAI 和 Gladia 的条目没有 RTFx 值，而 Deepgram、Google、Amazon 和 Groq 没有出现在我们读取的英语表中，所以缺少一行并不代表模型弱。第三，我们没有看到 ElevenLabs Scribe v3 条目， 这在发布两天后并不意外；现有的 Scribe 条目是 v2。排行榜的排序（多语言第一是 Azure，长文本第一是 Scribe v2） 与 Artificial Analysis 的表格不同，这再次说明数据集的选择会改变排名。如果想在转写文字背后加一层检索，请看 AI Agent 最佳向量数据库。

流式延迟与轮次检测

延迟数字是这个市场里最难比较的数据。各厂商衡量的东西不同（首个部分词、轮次结束、最终转写）， 音频不同，网络路径也不同，而我们的来源中没有中立的流式延迟表。我们能报告的，按来源标注如下：

• Deepgram Flux：约 260 ms 端点检测，每 GPU 100+ 路流（厂商自报，发布新闻稿）；默认设置下 EndOfTurn 有 95% 的概率在 1.5 秒内触发（厂商博客）。
• ElevenLabs Scribe v2 Realtime：延迟约 150 ms（厂商自报，定价页）。Scribe v3 Live 被列为轮次检测有所改进，但我们抓取的页面上没有延迟数字。
• AssemblyAI Universal-3.6 Pro Realtime：定位为语音 Agent 用；AssemblyAI 称其在两项独立流式基准中领先，其中包括 Daily 发布的 Pipecat 开源 STT 基准（厂商自报；我们没有验证那些基准页面）。
• Speechmatics、Gladia、Google、Azure、AWS、Groq：在我们抓取的定价页或文档页上没有流式延迟数字。Groq 和其他 Whisper 托管商提供的是批处理请求。

对语音 Agent 来说，原始毫秒数不如轮次边界上的行为重要。一个要等 700 ms 才确认你说完的模型会让人觉得慢； 一个在 300 ms 就触发的模型会让人觉得被打断很没礼貌。Flux 的 eager 轮次结束设置和 AssemblyAI 的会话计费， 都说明这种权衡对成本影响有多大：eager 事件可能多出 50 到 70% 的 LLM 调用，而空闲的 socket 也要计费。 如果你在搭整条流水线，请对比 LiveKit Agents vs Pipecat， 并在 Antigravity 语音模式指南（英文）里看看命令行驱动的语音工作流是怎样的。

# Deepgram Flux（流式语音 Agent），数值取自 Deepgram 发布文档
wss://api.deepgram.com/v2/listen
  model=flux-general-en
  eot_threshold=0.7             # 触发 EndOfTurn 所需置信度（默认 0.7）
  eot_silence_threshold_ms=5000 # 强制结束一轮的静音兜底（默认 5000）
  eager_eot_threshold=0.3-0.5   # 可选：EagerEndOfTurn 比 EndOfTurn 早 150-250 ms 到达，
                                # 代价是多出 50-70% 的 LLM 调用
# 事件：StartOfTurn、EndOfTurn、EagerEndOfTurn、TurnResumed

# AssemblyAI 流式，依据 AssemblyAI 的定价参考页
wss://streaming.assemblyai.com/v3/ws          # 美国
wss://streaming.eu.assemblyai.com/v3/ws       # 欧盟（与美国同价）
  speech_models: 请显式设置，不要依赖默认值
  speaker_labels: true          # 流式说话人分离，+$0.12/小时
# 按会话时长（socket 打开时间）计费，所以通话结束后要关闭 socket

上面的代码块是一份参数和端点的参考表，取自各厂商的发布说明和定价参考页，不是可直接运行的客户端； 接入之前请核对各厂商当前的 API 文档。

说话人分离与语言

说话人分离（标注谁在说话）有四种打包方式。已包含：Deepgram 的预录音频。附加收费：AssemblyAI （按模式每小时 +$0.02、+$0.065 或 +$0.12）、Deepgram 流式（每分钟 $0.0020）和 Azure 的增强功能附加项（$0.30/小时）。 单独的模型：OpenAI 的 gpt-4o-transcribe-diarize。仅限异步：Gladia。Speechmatics 在其模型上列出说话人分离， 上文提到的 Melia 1 实时是例外。ElevenLabs 称 Scribe v3 的说话人分离错误率是其测试中最低的（厂商自报）。 我们的来源中没有中立的说话人分离错误率表，所以请在你自己领域的多人音频上测试。

语言是厂商数字容易误导的地方。Gladia 为 Solaria-1 列出 100+ 种，Solaria-3 只有 5 种。 Deepgram 为 Nova 列出 60+ 种，Flux Multilingual 为 10 种。ElevenLabs 为 Scribe 列出 90+ 种。 Speechmatics 列出 55+ 种，其中 Melia 1 无需语言提示即可转写 56 种语言。Parakeet TDT 0.6B v3 覆盖 25 种欧洲语言， Canary-Qwen 仅限英语，Whisper large-v3 是多语言但各语言质量不均。Parakeet 的模型卡展示了这种不均： FLEURS 上意大利语 WER 为 3.00%，斯洛文尼亚语为 24.03%。请按模型、按模式（批处理或流式）逐一计算语言数量， 并测试你真正服务的那些语言。

如何选择

从使用场景出发，列出两三个候选，在同一个样本上全部跑一遍。下表把常见场景对应到最合适的选项。

一个实用的测试方案：收集 2 到 5 小时的真实音频，包含最难的情形（电话音质、口音、串话、领域术语）， 为其中一部分写出认真的参考文本，并对每个厂商用同一个归一化器计算 WER。对于流式，还要在预设的打断脚本上记录轮次结束时间和误截断。 然后把附加功能都算进去给胜出者定价：说话人分离、脱敏、关键词提示，以及任何空闲连接计费。 在云上运行 Agent 的团队，代码那一半技术栈可能还需要沙箱；请看 AI Agent 的浏览器基础设施（英文） 和 最佳 AI 编码 Agent（英文）。

评估方法

本排名没有付费植入。没有联盟链接，没有赞助标签，也没有厂商审阅过草稿。各节内的顺序反映的是主题的展开， 而不是得分。

• 价格：各厂商自己的定价页，2026 年 11 月 11 日抓取。每分钟和每 1,000 分钟的价格通过乘法换算为每小时；每小时数值是我们的算术结果。
• 准确率与速度：Artificial Analysis 的 AA-WER v2 和速度系数（非流式），当天抓取，另加 Hugging Face Open ASR 排行榜（2026 年 11 月 12 日读取）和 NVIDIA 模型卡数字。
• 厂商声明：标注为厂商自报，包括延迟、错误减少百分比，以及发布文章中的基准声明。
• 我们没有填补的缺口：Azure MAI-Transcribe-2 的标价（页面没有渲染；其他计量项我们用了 Retail Prices API）、Google 和 AWS 的语言列表、中立的流式延迟表，以及 Deepgram、Google、Amazon 和 Groq 在 Open ASR 排行榜上的行（均未列出）。我们选择说明，而不是估算。
• 我们没有测试：本文没有在我们自己的音频上运行这些 API。排名是对已公布数据的综合。

常见问题

来源

除非另有说明，所有页面均抓取于 2026 年 11 月 11 日。

• Artificial Analysis：语音转文字排行榜（AA-WER v2、速度系数、价格）
• Hugging Face：Open ASR 排行榜（2026 年 11 月 12 日读取）和其 GitHub 仓库
• Deepgram：定价
• Deepgram：Introducing Flux和其更新日志条目
• Business Wire：Deepgram 发布 Flux（2025 年 10 月 2 日）
• AssemblyAI：定价
• OpenAI：API 定价（转写）
• ElevenLabs：API 定价（Scribe）
• Speechmatics：定价
• Gladia：定价
• Google Cloud：Speech-to-Text 定价
• Microsoft Azure：Speech Services 定价和Azure Retail Prices API（2026 年 11 月 12 日查询）
• AWS：Amazon Transcribe 定价
• Groq：语音转文字文档和模型
• OpenAI：whisper-large-v3 模型卡
• NVIDIA：parakeet-tdt-0.6b-v3 模型卡
• NVIDIA：canary-qwen-2.5b 模型卡
• Deepgram 的 YouTube：Meet Flux（视频已嵌入上文）