Paxa Labs
เข้าสู่ระบบ
การเปรียบเทียบทั้งหมด

API ถอดเสียงที่ดีที่สุดสำหรับแต่ละงาน

API ถอดเสียงที่จับคู่กับงานตรงหน้า ตั้งแต่ไฟล์เสียงที่พูดหลายภาษาปนกันและไฟล์คำบรรยาย ไปจนถึง voice agent แบบสด โดยทุกเหตุผลมาจากเอกสารของผู้ให้บริการเอง

นักพัฒนาและผู้ดูแลผลิตภัณฑ์มักเลือก API ถอดเสียงเพื่องานที่ชัดเจนงานหนึ่ง เช่น ทำคำบรรยายให้คลังวิดีโอ หรือให้ voice agent รับสายลูกค้า งานนั้นเป็นตัวกำหนดว่าความสามารถใดสำคัญ ไฟล์อาจสลับภาษากลางประโยค ต้องแยกผู้พูด หรือต้องได้ไฟล์คำบรรยายกลับมา และยังต้องดูว่าไฟล์หนึ่งยาวแค่ไหน เสียงเข้ามาแบบสดหรือไม่ และโค้ดเดิมเรียก OpenAI SDK อยู่แล้วหรือเปล่า

ตรวจสอบราคาและข้อมูลล่าสุดเมื่อ ตุลาคม 2569

เริ่มใช้ฟรีดูราคาทั้งหมด

API ไหนเหมาะกับงานแบบไหน

API ไหนเหมาะกับงานแบบไหน
งานตัวเลือกที่เหมาะ
ไฟล์เสียงที่สลับไทยกับอังกฤษกลางประโยค
  • Speechmaticsรายการภาษาของเขามีภาษาไทย และ Melia 1 สลับระหว่างภาษาในรายการได้โดยไม่ต้องเลือกภาษา
  • Paxa LabsPaxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย เขียนประโยคไทยที่สลับเป็นภาษาอังกฤษตามที่พูดจริง โดยไม่ต้องตั้งค่าภาษาและไม่มีการแปล
ไฟล์คำบรรยายจาก API โดยตรง
  • AssemblyAIบทถอดที่เสร็จแล้วส่งออกเป็น SRT หรือ VTT ได้จากเอนด์พอยต์แยกของตัวเอง โดยใช้ chars_per_caption กำหนดจำนวนตัวอักษรสูงสุดของแต่ละช่วง
  • Paxa LabsPaxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย คืนไฟล์ SRT หรือ WebVTT มาในคำตอบเดียวกับบทถอด และทุกจุดขึ้นบรรทัดใหม่อยู่ตรงขอบคำ รวมถึงภาษาไทย
การแยกผู้พูดในไฟล์บันทึกสายโทรและการประชุม
  • Deepgramการแยกผู้พูดใส่หมายเลขผู้พูดให้ทุกคำ พร้อมค่าความมั่นใจสำหรับไฟล์บันทึกเสียง และใช้ได้กับโมเดล Nova แบบ batch ทุกตัว
  • AssemblyAIการแยกผู้พูดติดป้ายตัวอักษรให้แต่ละช่วงพูด เช่น A, B และ C
  • ElevenLabs ScribeScribe v2 แยกผู้พูดได้ถึง 32 คน
ชื่อสินค้าและคำศัพท์เฉพาะ
  • Google Cloud Speech-to-TextSpeech adaptation บน Chirp 3 รับได้ถึง 1,000 วลี
  • DeepgramKeyterm Prompting ใช้ได้บน Nova-3 ทั้งแบบภาษาเดียวและหลายภาษา และบน Flux โดยรับคำสำคัญได้สูงสุด 500 โทเคนต่อคำขอ
  • ElevenLabs ScribeKeyterm prompting รับได้ถึง 1,000 คำในงาน batch และ 50 คำในงานเรียลไทม์
ไฟล์เสียงยาวมากในคำขอเดียว
  • ElevenLabs ScribeScribe รับไฟล์ยาวได้ถึง 10 ชั่วโมงในโหมดมาตรฐาน ทั้งจากการอัปโหลดและจาก URL และส่งผลไปที่ webhook ได้เมื่อร้องขอ
  • Deepgramคู่มือไฟล์บันทึกเสียงของเขารับไฟล์ใหญ่ได้ถึง 2 GB
  • Speechmaticsงาน batch รับไฟล์ตั้งแต่ 1 GB ขึ้นไปผ่าน URL ให้ระบบดึงไฟล์ และเอกสารของเขาแนะนำให้ใช้การแจ้งเตือนเพื่อติดตามสถานะงานในระบบจริง
ถอดเสียงสดที่ตรวจจับจุดจบของแต่ละรอบพูด
  • DeepgramFlux บนเอนด์พอยต์ /v2/listen ตรวจจับจุดจบของแต่ละรอบพูดภายในโมเดล ใช้ได้ทั้งภาษาอังกฤษ และ 10 ภาษาผ่าน flux-general-multi
  • AssemblyAIAPI สตรีมมิงของเขาส่งข้อความ Turn และข้อความที่ end_of_turn เป็น true คือรอบพูดที่จบแล้ว
  • Paxa LabsPaxa STT Lite Realtime ซึ่งเป็นพรีวิวงานวิจัย แจ้งเมื่อผู้ใช้เริ่มและหยุดพูด แล้วส่งบทถอดฉบับสุดท้ายหนึ่งชุดต่อรอบพูดผ่าน WebSocket โดยไม่มีค่าให้ตั้ง
โค้ดที่เขียนบน OpenAI SDK อยู่แล้ว
  • OpenAIคู่มือถอดเสียงจากไฟล์ของเขาแนะนำ gpt-transcribe บน /v1/audio/transcriptions และหน้าการเลิกใช้งานระบุให้ใช้แทนโมเดลที่จะถูกถอดออกจาก API ในวันที่ 26 กุมภาพันธ์ 2570
  • Paxa Labs/v1/audio/transcriptions ของเรารับคำสั่ง audio.transcriptions.create แบบเดียวกันที่ base URL ใหม่ โดยตั้ง model เป็น paxa-stt-lite-v1-preview ซึ่งเป็นพรีวิวงานวิจัย

ที่มา:Speechmatics languages(เปิดในแท็บใหม่)AssemblyAI transcript export(เปิดในแท็บใหม่)Deepgram diarization(เปิดในแท็บใหม่)AssemblyAI speaker diarization(เปิดในแท็บใหม่)ElevenLabs speech to text overview(เปิดในแท็บใหม่)Google Chirp 3 model(เปิดในแท็บใหม่)Deepgram keyterm prompting(เปิดในแท็บใหม่)ElevenLabs speech to text API(เปิดในแท็บใหม่)Deepgram pre-recorded audio(เปิดในแท็บใหม่)Speechmatics batch limits(เปิดในแท็บใหม่)Deepgram Flux quickstart(เปิดในแท็บใหม่)AssemblyAI streaming(เปิดในแท็บใหม่)OpenAI file transcription guide(เปิดในแท็บใหม่)OpenAI deprecations(เปิดในแท็บใหม่)

วิธีที่เราจัดทำคู่มือนี้

ผู้ให้บริการทุกรายในที่นี้มีหน้าเปรียบเทียบบนเว็บไซต์นี้ และหนึ่งใน API ที่อยู่ในรายการเป็นของ Paxa Labs เอง เหตุผลแต่ละข้อมาจากเอกสารของผู้ให้บริการรายนั้น ซึ่งมีลิงก์อยู่บนหน้า ส่วนตัวเลือกของเรามาจากเอกสาร API ของเรา ราคาที่แสดงเป็นราคาที่แต่ละรายประกาศไว้สำหรับไฟล์บันทึกเสียง และตรวจซ้ำทุกเดือน หน้านี้ไม่ให้คะแนนและไม่จัดอันดับ

ราคาที่ประกาศไว้

ราคาที่ประกาศไว้
ผู้ให้บริการต่อชั่วโมงเสียงราคาของเขา คิดเป็นกี่เท่า
Paxa LabsPaxa STT Lite$0.501×
AssemblyAI$0.15-0.210.3-0.42×
Google Cloud Speech-to-Text$0.18-0.960.36-1.9×
ElevenLabs Scribe$0.220.44×
Speechmatics$0.24-0.750.48-1.5×
Deepgram$0.26-0.310.52-0.62×
OpenAI$0.27-0.360.54-0.72×

ทุกอัตราคิดต่อหนึ่งชั่วโมงของไฟล์เสียงที่บันทึกไว้ ตั้งแต่รุ่นที่ถูกที่สุดถึงแพงที่สุดแบบจ่ายตามใช้ โดยอัตราที่คิดรายนาทีหรือรายวินาทีแปลงมาเป็นหน่วยนี้แล้ว

คำถามที่พบบ่อย

API ถอดเสียงตัวไหนดีที่สุด

ขึ้นอยู่กับงาน voice agent ต้องตรวจจับรอบพูดได้ ส่วนทีมวิดีโอต้องการไฟล์คำบรรยาย เริ่มจากงานที่ใกล้กับของคุณที่สุด แล้วลองถอดไฟล์เสียงของคุณเองกับทุก API ที่งานนั้นระบุ และอ่านบทถอดเทียบกัน

เผยแพร่การเปรียบเทียบความแม่นยำหรือความเร็วไหม

ไม่ เราไม่เผยแพร่ตัวเลขความแม่นยำ คุณภาพ หรือความหน่วงของเราเอง ทั้งของโมเดลเราและของใครก็ตาม ลองถอดไฟล์เดียวกันกับทุก API ที่กำลังพิจารณา แล้วอ่านบทถอดเทียบกัน

พรีวิวงานวิจัยหมายความว่าอย่างไรสำหรับ Paxa STT Lite และ Paxa STT Lite Realtime

ทั้งสองเปิดให้ใช้ผ่าน API และ Console ระหว่างการประเมิน บทถอดและตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป และบันทึกการเปลี่ยนแปลงในหน้าถอดเสียงของเราระบุไว้ทุกครั้ง

ผลิตภัณฑ์เดียวใช้หลาย API พร้อมกันได้ไหม

ได้ แต่ละ API ใช้คีย์และคำขอของตัวเอง ผลิตภัณฑ์หนึ่งจึงส่งการถอดเสียงสดไปที่ผู้ให้บริการรายหนึ่ง และส่งไฟล์ยาวไปที่อีกรายได้

เริ่มต้นด้วยเครดิตฟรี

เข้าสู่ระบบด้วย Google, GitHub หรือ Hugging Face แล้วใช้เครดิตฟรี 100 เครดิตกับข้อความของคุณเอง

เริ่มใช้ฟรี