BroadRouter

语音转文字(speech-to-text)

更新于

语音转文字,也叫自动语音识别(ASR),是把口语音频转换成书面文字的技术。语音转文字 API 接收音频文件或音频流并返回转写文本,通常按音频分钟计价。准确率用词错误率衡量,会随口音、方言和录音质量变化。

又称: 语音识别、自动语音识别、语音转写、音频转文字、录音转文字、转写 API、STT、ASR、speech-to-text、automatic speech recognition、transcription API、audio transcription、voice to text

语音消息、通话和会议里的信息,在变成文字之前,软件无法检索。语音转文字填补的就是这个缺口。

原理

Hugging Face 把自动语音识别定义为 “the task of transcribing a given audio to text”(译文:把给定音频转写为文字的任务)。现代 ASR 模型先把音频转换成特征,再生成最可能的词序列。

通过 OpenAI 兼容 API,你以 multipart 表单数据的形式把文件上传到 /v1/audio/transcriptions:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

响应是 JSON,转写文本在 text 字段中。服务商会限制文件大小和格式;OpenAI 自己的端点接受最大 25 MB 的文件(据其语音转文字指南,2026-11-15 查阅)。

为什么重要

  • 准确率决定价值。 人名或数字出错的转写结果,可能比没有转写还糟。准确率用词错误率衡量,遇到口音、方言、多人同时说话和电话音频时会下降。
  • 按音频小时计价。 STT 按音频分钟计费,所以用量很好预估:音频小时数乘以每小时单价。
  • 隐私。 语音里有姓名、电话号码以及健康或银行信息。请确认音频和转写文本是否会被保留;参见零数据保留。
  • 处理流水线。 转写文本通常会接着交给 LLM,用于摘要、分流或信息抽取。

在 BroadNet Inference 上

模型 语言 每分钟价格 每小时
BroadNet Transcribe Arabic 阿拉伯语,含方言 $0.0042 $0.25
BroadNet Transcribe 14 种语言 $0.002 $0.12

两个模型都接受 WAV 或 MP3,每个文件最大 26,214,400 字节(25 MiB);更大的文件会返回 413。阿拉伯语请发送 language=ar,否则结果可能被音译成拉丁字母。BroadNet 报告其阿拉伯语模型在 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)。音频和转写文本不会被保留。

其他服务商可能更便宜。2026-11-14,Soniox 的价格页面列出的文件(异步)转写约为每小时 USD 0.10,实时转写约为每小时 USD 0.12,其支持语言列表中包括阿拉伯语。这低于 BroadNet Transcribe Arabic 的每小时 $0.25,所以请用你自己的音频把两者都测一测。我们公开的语音转文字 API 价格索引收录了 20 多个产品,每个价格都注明来源和日期。

两个模型都可以使用 $5 的免费初始额度,大约够转写 1,190 分钟阿拉伯语音频。先从阿拉伯语语音转文字指南开始,用语音消息指南转换 WhatsApp 的 .ogg 文件,再用选购指南比较各家服务商。

常见问题

语音转文字的准确率怎么衡量?

用词错误率(WER),即转写结果与正确参考文本相比出错的词所占的比例,越低越好。请在你自己的录音上测量,因为准确率受口音、方言和音质影响很大。

超过大小限制的音频文件怎么转写?

把音频切成较短的片段,最好在停顿处切分,再逐段转写。压缩成 MP3 也能减小文件体积。

为什么阿拉伯语有时会以拉丁字母返回?

没有语言提示时,有些模型会进行音译。在 BroadNet Inference 上,阿拉伯语请发送 language=ar。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity