指南

适合多语言和多语混说音频的最佳语音转文字 API

哪一款转写 API 适合中文、英语、泰语音频,或一句话里混说两种语言的录音?依据各厂商自己的文档,比较语言覆盖、语言检测和实时转写。

· Paxa Labs · 阅读约 11 分钟

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 WebVTTPaxa STT Lite Realtime(研究预览版),自动检测轮次
Soniox60 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
GladiaSolaria-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
AssemblyAIUniversal-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
DeepgramNova 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 SRTFlux,支持英语或 10 种语言
ElevenLabs ScribeScribe 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。

继续阅读

更多指南