对于一句话里混说多种语言的音频,有五款服务的文档写明了支持。Paxa STT Lite 无需设置语言,按说出时的语言写下每个词。Soniox、Speechmatics Melia 1、Gladia Solaria-1 和 Amazon Transcribe 的文档都说明可以转写同一段录音里的语言切换。如果音频只有一种语言,请从各厂商的语言列表入手,逐个模型核对。
下文每一条厂商信息都链接到该厂商自己的文档,内容以我们的对比页面在 2026 年 10 月和 11 月核实的为准。我们不给任何厂商打分,也不排名。各家公布的价格见语音转文字 API 对比,每月复核一次。
说明
Paxa STT Lite 和 Paxa STT Lite Realtime 目前都是研究预览版。它们的转写结果和选项可能随版本变化,语音转文字页面会记录每一次变更。
多语言语音转文字 API 一览#
| 服务 | 语言 | 多语混说与语言检测 | 字幕与逐词时间 | 实时音频 |
|---|---|---|---|---|
| Paxa STT Lite(研究预览版) | 多语言,明确列出中文、英语和泰语 | 混说的内容按原样写出,自动检测语言,也可以提供语言提示 | 逐词时间戳,以及同一响应中的 SRT 和 WebVTT | Paxa STT Lite Realtime(研究预览版),自动检测轮次 |
| Soniox | 60 多种语言,价格统一 | 能跟上句子中间的语言切换,每个 token 可以带上语言 | 每个 token 都有开始和结束时间 | WebSocket,说话人说完时返回结束 token |
| Speechmatics | 公布的语言列表中包含泰语 | Melia 1 无需选择语言,即可在列出的语言之间切换 | 批量转写提供逐词时间 | Melia 1 实时转写,由客户端标记一句话结束 |
| Gladia | Solaria-1 覆盖其表格中的全部语言,包括中文和泰语 | 语码转换设置会为每段话和每个词返回检测到的语言 | 导出 SRT 和 VTT | 基于 Solaria-1 的实时会话 |
| Amazon Transcribe | 简体中文和泰语都列在批量和流式转写中 | 多语言识别涵盖说话人在对话中途更换语言的情况 | 批量视频任务可生成 WebVTT 和 SubRip | 通过 HTTP/2 或 WebSocket 流式转写 |
| AssemblyAI | Universal-3.5 Pro 支持 18 种语言,Universal-2 支持 99 种 | Universal-3.5 Pro 能在它的 18 种语言之间跟上句中切换 | 导出 SRT 和 VTT | 流式转写,每个轮次结束时发送一条消息 |
| Deepgram | Nova 模型支持 45 种以上语言 | Nova-3 的多语言选项覆盖十种语言 | captions 软件包,在您的代码中生成 WebVTT 或 SRT | Flux,支持英语或 10 种语言 |
| ElevenLabs Scribe | Scribe v2 支持 90 多种语言 | 请求未带语言代码时自动预测语言 | 本文引用的页面没有说明 | 实时转写,可手动提交或按静音提交 |
| Google Chirp 3 | 泰语处于 Preview 发布阶段 | 设为 auto 时转写文件中占主导的语言 | 批量音频在 20 分钟以内可返回逐词时间戳 | 本文引用的页面没有说明 |
| Rev AI | 文件转写支持 58 种以上语言,流式支持 9 种以上 | 只有一个多语言条目,即英语加西班牙语 | SRT 或 VTT 字幕 | 流式支持 9 种以上语言,泰语仅支持文件 |
哪款转写 API 最适合您的语言?#
答案因语言而异,因为厂商宣传的语言总数看不出哪个模型支持哪种语言。请核对您打算调用的那个模型的语言列表。
AssemblyAI 的 Universal-3.5 Pro 的 18 种语言中包含普通话。Deepgram 为 Nova-3 和 Nova-2 列出了简体中文普通话,Amazon Transcribe 在批量和流式转写中都列出了 zh-CN,Gladia 在 Solaria-1 上列出了中文,Rev AI 列出了简体中文普通话。
泰语出现在以下列表中:Deepgram 的 Nova-3 和 Nova-2、Speechmatics、ElevenLabs 的 Scribe v2、Gladia 的 Solaria-1,以及 Amazon Transcribe 的批量和流式转写。Google 的 Chirp 3 页面把泰语列为 Preview 阶段。AssemblyAI 只在 Universal-2 上列出泰语,Universal-3.5 Pro 没有。Rev AI 的泰语只支持文件,不支持流式。泰语语音转文字指南按任务逐一梳理了泰语的选择。
欧洲语言方面,Gladia 标明 Solaria-3 支持英语、法语、德语、意大利语和西班牙语。Deepgram 的多语言选项覆盖英语、西班牙语、法语、德语、印地语、俄语、葡萄牙语、日语、意大利语和荷兰语。
Paxa STT Lite(研究预览版)支持多语言,可以转写中文、英语、泰语和其他语言。如果团队的音频只有上面某一种欧洲语言,其他厂商的文档里可选的方案更多。
双语或多语混说的录音,哪款语音转文字 API 最合适?#
会两种语言的人常在一句话中间换语言。工程师用英语说出产品名,再用中文或泰语把话说完。实用的转写会让每个词保留说出时所用语言的文字。
Soniox 的泰语页面称,其模型能跟上同一句话里泰语与其他语言之间的切换。在 Speechmatics 上,Melia 1 无需选择语言,即可在列出的语言之间切换,Enhanced 和 Standard 则只接受一种选定语言或一个固定语言包。Gladia 的语码转换指南用一项设置开启切换,并建议提供一份简短的预期语言列表。Amazon Transcribe 的多语言识别会转写文件中每一种受支持的语言,包括说话人在对话中途更换语言的情况。
有两家厂商对混说的语言有限制。AssemblyAI 的 Universal-3.5 Pro 能在它的 18 种语言之间跟上句中切换,Universal-2 每个文件最多检测两种语言,手动列表中必须有一个是英语。Rev AI 只有一个多语言条目,即英语加西班牙语。
Paxa STT Lite(研究预览版)会按说出时的样子写出中途切换语言的句子,无需设置语言,也不做翻译。语码转换指南展示了一段泰英混说的录音,以及转写结果对搜索的作用。
哪些语音转文字 API 能自动检测所说的语言?#
录音没有语言标签时,语言检测就很重要,例如服务多个国家的客服队列。ElevenLabs 的 API 参考在请求没有发送 language_code 时预测语言。Soniox 开启语言识别后,每个 token 都带有语言字段,它的定价页面把语言识别包含在每小时费率内。Gladia 标明 Solaria-1 可以自动发现中文和泰语。
Google 的 Chirp 3 设为 auto 时,会转写文件中占主导的语言。Amazon Transcribe 的多语言识别语言中包括 en-US、th-TH 和 zh-CN,并说明该模式下不支持内容遮盖和自定义语言模型。
Paxa STT Lite(研究预览版)在请求未指定语言时自动检测语言。语言提示是可选的,不影响费用。
哪些语音转文字 API 自带翻译?#
有三家厂商把翻译和转写放在一起。Speechmatics 的定价页面把翻译列为录音文件的附加功能。Gladia 把翻译作为按小时计价的附加项,Soniox 按 token 用量收取翻译费用。
Paxa 把这两步分开。Paxa STT Lite 以说话时的语言返回文字稿,同一账户下的翻译 API 再把它译成另一种语言,并可用术语表固定产品名。如何用 AI 给视频配音把这两步和语音合成串了起来。
哪些多语言 API 可以转写实时音频?#
实时转写必须判断每个轮次在哪里结束。Soniox 的端点检测在模型判断说话人说完后返回 <end> token。AssemblyAI 的流式 API 发送 end_of_turn 为 true 的 Turn 消息。Deepgram 的 Flux 在模型内部检测轮次结束,支持英语,或通过 flux-general-multi 支持 10 种语言。在 Speechmatics 的 Melia 1 上,由客户端在说话人说完时发送 ForceEndOfUtterance。
实时转写支持的语言往往比文件转写少。Rev AI 的常见问题写明文件转写支持 58 种以上语言,流式支持 9 种以上。Gladia 的实时转写指南只使用 Solaria-1。使用 OpenAI 的 gpt-live-transcribe 时,由应用在自己一侧检测到语音结束后提交每个轮次。
Paxa STT Lite Realtime(研究预览版)是带自动轮次检测的多语言流式转写。它会报告用户何时开始和停止说话,并为每个轮次发送一份最终文字稿。实时语音转文字页面展示了一次会话,实时转写与录音转写的对比可以帮您在两者之间做选择。
字幕和媒体监测,该选哪款 API?#
做字幕需要字幕文件,媒体监测则要定期转写多种语言的长录音。AssemblyAI、Gladia 和 Rev AI 都能导出 SRT 和 VTT。Amazon Transcribe 为批量视频任务生成 WebVTT 和 SubRip 文件,存放在与文字稿相同的 S3 位置。
广播节目的录音通常很长。Rev AI 写明音频最长 17 小时,ElevenLabs Scribe 在标准模式下接受最长 10 小时的文件。Amazon Transcribe 规定每个文件最长 28,800 秒、最大 2 GB。Gladia 每次请求接受 135 分钟,企业套餐可以更长。
Paxa STT Lite(研究预览版)每次请求最多转写 120 分钟、95 MiB,并在同一个响应中返回 SRT 或 WebVTT,每处换行都落在词边界上。更长的节目可在停顿处切分。字幕生成器页面、字幕用例页面和媒体监测页面分别展示了各自的流程,逐词时间戳指南解释了字幕背后的时间信息。
哪款多语言 API 在各种语言上最准确?#
没有哪个公开数字能替您的音频回答这个问题。准确率随语言、麦克风、口音和语言切换的频率而变化。在英语播客上表现突出的厂商,换成泰语通话录音可能就落后了。可靠的办法是用您自己的录音做测试。
- 挑三段接近真实业务的录音,例如一段清晰的、一段嘈杂的,以及一段两种语言混说的。
- 用相同的设置,把每段录音交给您的问题下列出的每一家厂商。
- 对照音频阅读文字稿,重点看人名、数字,以及语言切换处的词。
- 中文和泰语按字符计分。准确率指南解释了为什么词错误率不适合不写空格的语言。
接下来读什么、试什么?#
常见问题#
Amazon Transcribe 适合把泰语视频的音频转成文字吗?#
可以完成这项工作。Amazon Transcribe 的语言表在批量和流式转写中都列出了泰语(th-TH),它的输入说明页面支持从 Amazon S3 存储桶读取 MP4 和 WebM 文件。批量视频任务可以返回 WebVTT 和 SubRip 字幕。同一张表显示,泰语不支持自定义语言模型和内容遮盖。Amazon Transcribe 对比页面把它和 Paxa STT Lite 放在一起比较。
哪些语音转文字 API 厂商适合欧洲的买家?#
厂商页面上有三条信息可供参考。Gladia 以欧元公布价格。Soniox 的泰语页面列出了欧盟处理区域,此外还有美国、日本和印度。Speechmatics 的 Enterprise 套餐列出了本地部署容器和设备端部署。发送音频之前,请向厂商确认处理区域和合同条款。
一个 API 能转写我产品里的所有语言吗?#
多数情况下可以,但要核对模型和模式。文件转写支持的语言,流式转写不一定支持,较新的模型覆盖的语言也可能比上一代少。一款产品也可以把不同语言交给不同厂商,各用各的密钥。
多语言文字稿会标出是谁在说话吗?#
表中的大多数服务都能为录音文件标注说话人。Paxa STT Lite(研究预览版)可为不超过 120 分钟的录音返回带编号的说话人轮次,不识别任何人的身份。说话人轮次指南比较了各厂商标注说话人的方式。
Paxa STT Lite 的研究预览版是什么意思?#
Paxa STT Lite 和 Paxa STT Lite Realtime 在评估期间已经可以通过 API 和控制台使用。它们的转写结果和选项可能随版本变化,语音转文字页面的更新日志会记录每一次变更。
你们会发布准确率对比吗?#
不会。我们不发布准确率、质量或延迟方面的数字,无论是我们自己的模型还是其他厂商的模型。请把同一段录音交给您正在考虑的每一款服务,再把文字稿放在一起对照阅读。