---
title: "什么是语音转文字 API？语音识别（ASR）与转写 | BroadRouter"
description: "语音转文字把口语音频转换成书面文字。转写 API 怎么工作、每音频分钟多少钱、准确率怎么衡量，以及需要核对哪些限制。"
url: https://broadrouter.com/zh/glossary/speech-to-text/
lang: zh-Hans
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/glossary/speech-to-text/)（2026-11-15 更新）。

# 语音转文字（speech-to-text）

更新于 2026-11-15

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`：

```bash
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](https://broadrouter.com/zh/glossary/word-error-rate/)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](https://broadrouter.com/zh/glossary/zero-data-retention/)。
-   **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](https://broadrouter.com/zh/models/cohere-transcribe-arabic/) | 阿拉伯语，含方言 | $0.0042 | $0.25 |
| [BroadNet Transcribe](https://broadrouter.com/zh/models/cohere-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](https://soniox.com/pricing)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](https://broadrouter.com/data/speech-to-text-api-prices/)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](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)开始，用[语音消息指南](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)转换 WhatsApp 的 `.ogg` 文件，再用[选购指南](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)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。

## 另请参阅

-   [词错误率（WER，word error rate）](https://broadrouter.com/zh/glossary/word-error-rate/)（术语）
-   [零数据保留（ZDR）](https://broadrouter.com/zh/glossary/zero-data-retention/)（术语）
-   [OpenAI 兼容 API（OpenAI-compatible API）](https://broadrouter.com/zh/glossary/openai-compatible-api/)（术语）
-   [按量付费（pay-as-you-go）](https://broadrouter.com/zh/glossary/pay-as-you-go/)（术语）
-   [说话人分离（speaker diarization）](https://broadrouter.com/zh/glossary/diarization/)（术语）
-   [语音活动检测（VAD）](https://broadrouter.com/zh/glossary/vad/)（术语）
-   [采样率（sample rate）](https://broadrouter.com/zh/glossary/sample-rate/)（术语）
-   [时间戳（语音转文字，timestamps）](https://broadrouter.com/zh/glossary/timestamps-asr/)（术语）
-   [语码转换（code-switching）](https://broadrouter.com/zh/glossary/code-switching/)（术语）
-   [文本转语音（TTS，text-to-speech）](https://broadrouter.com/zh/glossary/text-to-speech/)（术语）
-   [WAV](https://broadrouter.com/zh/glossary/wav/)（术语）
-   [阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)（指南）
-   [用 API 把 WhatsApp 语音消息转成文字](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)（指南）
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)（文章）

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-speech-to-text&utm_content=page-cta) ·

**来源**

-   [Soniox 语音转文字价格（查看于 2026-11-14）](https://soniox.com/pricing)
-   [Hugging Face Tasks：自动语音识别](https://huggingface.co/tasks/automatic-speech-recognition)
-   [OpenAI：语音转文字指南（transcriptions 端点，文件上限 25 MB；2026-11-15 查阅）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [BroadNet Inference API 参考：转写（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-speech-to-text&utm_content=sources)
-   [BroadNet Inference 机器可读价格（pricing.json）（英文）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-speech-to-text&utm_content=sources)
