Paxa Labs
登录
全部对比

最适合各项任务的语音转文字 API

按任务匹配语音转文字 API，从夹杂多种语言的录音和字幕文件，到实时语音智能体，每项依据都取自厂商自己的文档。

开发者和产品负责人选择转写 API，通常是为了一项具体任务，比如给视频库加字幕，或让语音智能体接听来电。任务决定了哪些功能重要。录音是否会在句中切换语言、是否需要标注说话人、是否要返回字幕文件，都由任务决定。单个文件有多长、音频是否实时传入、现有代码是否已在调用 OpenAI SDK，同样会影响选择。

价格与说明最近核实于 2026年10月

免费开始查看完整价格

哪个 API 适合哪项工作

哪个 API 适合哪项工作
工作适合的选择
泰语和英语在句中切换的录音
  • Speechmatics其语言列表包含泰语，Melia 1 无需选择语言即可在列表中的语言之间切换。
  • Paxa LabsPaxa STT Lite 是研究预览版，泰语句子中途切换成英语时会按原话写出，无需设置语言，也不做翻译。
直接从 API 获取字幕文件
  • AssemblyAI转写完成后，可从单独的接口导出 SRT 或 VTT，并用 chars_per_caption 设置每条字幕的最多字符数。
  • Paxa LabsPaxa STT Lite 是研究预览版，会在返回转写文本的同一个响应里附上 SRT 或 WebVTT 文件，每处换行都落在词边界上，泰语也一样。
为通话和会议录音标注说话人
  • Deepgram说话人分离会给每个词标上说话人编号，录音转写还附带置信度，所有 Nova 批量模型都支持该功能。
  • AssemblyAI说话人分离用字母为每个语段标注说话人，例如 A、B、C。
  • ElevenLabs ScribeScribe v2 最多可区分 32 位说话人。
产品名称和专有词汇
  • Google Cloud Speech-to-TextChirp 3 的语音自适应最多接受 1,000 个短语。
  • DeepgramKeyterm Prompting 适用于 Nova-3 的单语言和多语言模式，也适用于 Flux，每个请求的关键词最多 500 个 token。
  • ElevenLabs Scribe关键词提示在批量模式下最多 1,000 个词条，实时模式下最多 50 个。
单个请求处理超长录音
  • ElevenLabs ScribeScribe 在标准模式下接受最长 10 小时的文件，可上传或从 URL 获取，也可按需把结果发送到 webhook。
  • Deepgram其录音转写指南接受最大 2 GB 的文件。
  • Speechmatics1 GB 及以上的文件可通过 URL 提交批量任务，其文档建议在生产环境中用通知获取任务状态。
能判断每个轮次何时结束的实时转写
  • DeepgramFlux 运行在其 /v2/listen 接口上，由模型自身检测每个轮次的结束，可用于英语，也可通过 flux-general-multi 覆盖 10 种语言。
  • AssemblyAI其流式接口会发送 Turn 消息，end_of_turn 为 true 时表示一个轮次已经结束。
  • Paxa LabsPaxa STT Lite Realtime 是研究预览版，通过 WebSocket 报告用户何时开始和停止说话，每个轮次发送一份最终转写，无需调任何参数。
已基于 OpenAI SDK 编写的代码
  • OpenAI其文件转写指南推荐在 /v1/audio/transcriptions 上使用 gpt-transcribe，其弃用页面也把它列为替代模型，接替将于 2027 年 2 月 26 日移除的模型。
  • Paxa Labs我们的 /v1/audio/transcriptions 接受同样的 audio.transcriptions.create 调用，只要换一个 base URL，并把 model 设为 paxa-stt-lite-v1-preview，该模型是研究预览版。

来源：Speechmatics languages（在新标签页中打开）AssemblyAI transcript export（在新标签页中打开）Deepgram diarization（在新标签页中打开）AssemblyAI speaker diarization（在新标签页中打开）ElevenLabs speech to text overview（在新标签页中打开）Google Chirp 3 model（在新标签页中打开）Deepgram keyterm prompting（在新标签页中打开）ElevenLabs speech to text API（在新标签页中打开）Deepgram pre-recorded audio（在新标签页中打开）Speechmatics batch limits（在新标签页中打开）Deepgram Flux quickstart（在新标签页中打开）AssemblyAI streaming（在新标签页中打开）OpenAI file transcription guide（在新标签页中打开）OpenAI deprecations（在新标签页中打开）

本指南的编写方法

这里的每家厂商在本站都有对比页面，所列 API 中也包括 Paxa Labs 自己的产品。每条理由都取自该厂商自己的文档，页面上附有链接，我们自己的入选理由则来自我们的 API 文档。页面所示费率是各家公开的录音转写标价，每月复核一次。本页不打分，也不排名。

公开标价

公开标价
服务商每小时音频对方价格的倍数
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×

所有价格均按每小时录音计，从服务商最便宜的按量付费模型到最贵的模型。按分钟或按秒计费的价格均已换算为这一单位。

常见问题

哪个语音转文字 API 最好？

取决于任务。语音智能体需要轮次检测，视频团队需要字幕文件。先找到与您最接近的任务，再用自己的录音在它列出的每个 API 上转写，对照阅读转写稿。

是否发布准确率或速度对比？

没有。我们不公开自己测得的准确率、质量或延迟数据，无论针对我们的模型还是其他任何模型。请用同一段录音在您考虑的每个 API 上各转写一次，对照阅读转写稿。

研究预览版对 Paxa STT Lite 和 Paxa STT Lite Realtime 意味着什么？

两者在评估期间都已通过 API 和控制台开放使用。转写结果和选项可能随版本变化，我们语音转文字页面上的更新日志会记录每一次变更。

一个产品可以同时使用多个 API 吗？

可以。每个 API 使用各自的密钥和请求，一个产品可以把实时转写交给一家厂商，把长录音交给另一家。

从免费积分开始

使用 Google、GitHub 或 Hugging Face 登录，即可用 100 一次性免费积分处理您自己的文本。

免费开始