语音转文字的定价看起来很简单:每分钟音频一个价。实际上,各家有按分钟、按小时或按秒报价的,有把批量和流式分开定价的,还有把说话人分离和脱敏作为附加功能单卖的。本页把主要的 API 放到同一把尺子上比较,价格均为我们在 2026 年 11 月 14 日和 15 日从各家官方页面获取的(日期见下方各来源)。
除非另有说明,所有价格均为标价、按量付费、以美元计,针对批量(预录)音频。不含批量折扣和合同价。
语音转文字 API 每分钟、每 1,000 小时要多少钱?
| 服务商与模型 | 每分钟 | 每小时 | 每 1,000 小时 |
|---|---|---|---|
| Groq,Whisper Large v3 Turbo | 约 USD 0.00067 | USD 0.04 | USD 40 |
| DeepSeek ASR,限时价(标价五折) | 约 USD 0.00097 | USD 0.058 | USD 58 |
| Soniox,异步(按 token 计费;每小时为“约”) | 约 USD 0.00167 | 约 USD 0.10 | 约 USD 100 |
| Groq,Whisper Large v3 | 约 USD 0.00185 | USD 0.111 | USD 111 |
| DeepSeek ASR,标价 | 约 USD 0.00193 | USD 0.116 | USD 116 |
| BroadNet Transcribe(14 种语言) | $0.002 | $0.12 | $120.00 |
| AssemblyAI,Universal-2 | USD 0.0025 | USD 0.15 | USD 150 |
| OpenAI,gpt-4o-mini-transcribe(已弃用,2027-02-26 停止服务) | USD 0.003 | USD 0.18 | USD 180 |
| Google,V2 dynamic batch | USD 0.003 | USD 0.18 | USD 180 |
| AssemblyAI,Universal-3.5 Pro | USD 0.0035 | USD 0.21 | USD 210 |
| Speechmatics,Melia 1 multilingual(56 种语言) | USD 0.004 | USD 0.24 | USD 240 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram,Nova-3 单语种 | USD 0.0043 | USD 0.258 | USD 258 |
| OpenAI,gpt-transcribe | USD 0.0045 | USD 0.27 | USD 270 |
| Deepgram,Nova-3 多语种 | USD 0.0052 | USD 0.312 | USD 312 |
| OpenAI,whisper-1 / gpt-4o-transcribe(已弃用,2027-02-26 停止服务) | USD 0.006 | USD 0.36 | USD 360 |
| AWS Transcribe,批量(美国东部) | USD 0.006 | USD 0.36 | USD 360 |
| Speechmatics,Standard | USD 0.0075 | USD 0.45 | USD 450 |
| Speechmatics,Enhanced | USD 0.0125 | USD 0.75 | USD 750 |
| Google,V2 standard(前 500,000 分钟) | USD 0.016 | USD 0.96 | USD 960 |
每小时和每 1,000 小时的数字是我们根据公布的单价算出来的(每分钟价格 × 60,再 × 1,000)。Groq、DeepSeek、AssemblyAI 和 Speechmatics 公布的是每小时价格,每分钟一栏是我们除以 60 得出的。DeepSeek 的价格页面列出其语音转文字 API 为每小时 USD 0.116,有限时五折优惠,但没有给出截止日期,所以请按标价做预算。Speechmatics 的价格是其预录音频的标价;它的价格页面也可以显示叠加了 33% 模型训练折扣和最高 25% 用量折扣后的价格,这样 Melia 1 会降到每小时约 USD 0.12。这 33% 的折扣需要主动选择加入,加入即允许 Speechmatics 使用你的音频和转写文本来改进其模型(据其价格页常见问题,2026-11-15 核对)。
Soniox、DeepSeek ASR 和 Groq 的 Whisper 端点,每小时价格都低于两个 BroadNet 模型。Soniox 的价格页面(2026-11-14 核对)按 token 计费(异步为每百万输入音频 token USD 1.50、每百万输出文本 token USD 3.50),并称文件上传 “about”(译文:约)每小时 USD 0.10,实时流式约每小时 USD 0.12。它的语言列表在 60 多种语言中包括阿拉伯语。它使用自己基于任务的 API,而不是 OpenAI 的 /v1/audio/transcriptions 格式,所以切换过去意味着要写新的客户端代码。
有一项变化需要提前规划:OpenAI 的弃用公告页面(2026-11-15 核对)把 whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-transcribe-diarize 列为已弃用(2026 年 8 月 26 日发出通知),将于 2027 年 2 月 26 日停止服务,替代模型为 gpt-transcribe 或 gpt-live-transcribe。其价格页面也把这四个模型标为已弃用。如果你今天为 OpenAI 的流程做价格估算,请按 gpt-transcribe 每分钟 USD 0.0045 计算。按小时算,它比两个 BroadNet 模型都贵,但 OpenAI 还提供实时转写(gpt-live-transcribe,每分钟 USD 0.017),这是 BroadNet 没有的。本页只比较价格;如果你要从 whisper-1 迁走,Whisper API 替代方案指南介绍了如何在你自己的音频上测试替代模型,以及切换时会遇到哪些问题。想用你自己的用量套用这些价格,可以用 语音转文字费用计算器。
想看完整情况,我们的开放数据 语音转文字 API 价格指数 列出了 20 多款产品的批量和流式价格、计费粒度以及是否支持阿拉伯语,每一项都对照服务商自己的价格页面核对过(提供 CSV 和 JSON)。
基础价格没包括什么?
每分钟的单价很少就是全部账单。比较之前先确认这些:
| 项目 | 各家页面的说法 |
|---|---|
| 说话人分离 | Deepgram:预录音频免费包含,流式另加每分钟 USD 0.0020。AWS:包含在标准价格中。AssemblyAI:每小时另加 USD 0.02。OpenAI:单独的 gpt-4o-transcribe-diarize 模型,每分钟 USD 0.006,已弃用,2027-02-26 停止服务。 |
| PII 脱敏 | Deepgram:每分钟 USD 0.0020。AWS:每分钟 USD 0.0024(第一档)。AssemblyAI:文本脱敏在 Universal-2 上每小时另加 USD 0.08,在 Universal-3.5 Pro 上每小时另加 USD 0.12;音频脱敏每小时另加 USD 0.05。 |
| 流式 | AWS:每分钟 USD 0.01,批量为 USD 0.006。Deepgram Nova-3 单语种:流式 USD 0.0048(促销价,有效期至 2027-02-13),预录 USD 0.0043。Speechmatics Melia 1:实时每小时 USD 0.40,预录每小时 USD 0.24。 |
| 最低计费 | Groq 每个请求至少按 10 秒计费。AWS 按秒计费,没有最低时长。Google 把每个请求向上取整到下一秒。 |
| 用量阶梯 | Google V2 standard 每月超过 500,000 分钟后降至每分钟 USD 0.01,超过 100 万分钟后更低。AWS 的标准批量和流式价格现在是统一价;它的用量阶梯适用于脱敏等附加功能。 |
对于需要说话人分离和脱敏的呼叫中心,Deepgram Nova-3 预录加上脱敏后为每分钟 USD 0.0063,AWS 则为 USD 0.0084。基础价便宜但附加功能贵的方案,可能输给基础价较高但包含这些功能的方案。
每月转写 10,000 条语音消息要多少钱?
假设一个客服收件箱每月收到 10,000 条 WhatsApp 语音消息,每条 30 秒,合计 5,000 分钟。
- 按每分钟 USD 0.006(AWS 批量,或 OpenAI 已弃用的 whisper-1):USD 30。
- 按 USD 0.0045(OpenAI gpt-transcribe):USD 22.50。
- 按 USD 0.0043(Deepgram Nova-3):USD 21.50。
- 用 BroadNet Transcribe Arabic:$21.00。
这里最低计费时长很关键。Groq 的最低 10 秒不会影响本例中 30 秒语音的费用,但一条两秒的“好的”语音会按 10 秒计费。如果最低是 15 秒,这条两秒的语音和一条 15 秒的语音费用一样。完整的语音消息处理流程,请看 企业语音消息转文字。
除了价格,还有什么重要?
一个每 5 个词就错 1 个的便宜模型,人工校对的成本会超过它省下的钱。切换之前,每种语言用你自己的 30 到 50 段录音测量词错误率。我们的 Whisper 替代方案指南介绍了如何用一个下午完成这项测试,阿拉伯语语音转文字选购指南则讲了如何按方言逐一评分。
其他与价格无关的问题:
- **语言。**BroadNet Transcribe 支持 14 种语言(完整列表);OpenAI 称 Whisper(已弃用的
whisper-1)支持 98 种语言,准确率各有不同。 - **文件限制。**OpenAI 上传上限为 25 MB,BroadNet 为 25 MiB,所以长通话要切分。
- **数据保留。**音频往往比文本更敏感。问清音频和转写文本是否会被存储;参见 大模型 API 数据保留对比。
BroadNet Transcribe 适合什么场景
BroadNet Transcribe 每分钟 $0.002(每小时 $0.12),支持 14 种语言:英语、西班牙语、法语、德语、意大利语、葡萄牙语、希腊语、荷兰语、波兰语、中文、日语、韩语、越南语和阿拉伯语。BroadNet Transcribe Arabic 每分钟 $0.0042,专为阿拉伯语方言打造;BroadNet 称它在 Open Universal Arabic ASR Leaderboard 上排名 第 2 名(共 37 个) (这是 2026年9月的数据;2026年11月15日实时榜单上为 39 个中的第 4 名)。两者都使用 OpenAI 兼容的 /v1/audio/transcriptions 端点,接受最大 25 MiB 的 WAV 或 MP3,不保留任何音频或转写文本(零数据保留)。$5 初始额度大约够转写 1,190 分钟阿拉伯语音频;创建密钥,用你自己的文件测试。
不适合的场景:BroadNet 没有列出流式转写、内置说话人分离或脱敏附加功能。如果你需要 API 本身直接提供实时字幕或说话人标签,Deepgram、AssemblyAI 和 AWS 两者都提供。OpenAI 提供实时转写,但它唯一的说话人标注模型已被弃用。可以在对比页面上并排比较两个 BroadNet 模型,或在价格页面查看所有价格。
