泰语录音给转写带来一些特有的难题。词与词之间没有空格，连在一起书写。英文产品名会出现在句子中间，数字可能以文字形式返回，也可能以阿拉伯数字返回。哪个问题最要紧取决于具体任务，任务也决定了哪些厂商留在候选名单上。
下面每一条厂商信息都链接到该厂商自己的文档，由我们的对比页面于 2026 年 10 月核实。我们不给任何厂商打分或排名。各家公布的价格见语音转文字 API 对比，每月复核。
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。
先确认哪个模型支持泰语#
请逐个模型查看各厂商的语言列表。AssemblyAI 为 Universal-2 列出了泰语，Universal-3.5 Pro 的列表中没有泰语，遇到其支持范围以外的语言时可回退到 Universal-2。它的语码转换指南将 Universal-2 标为旧版（legacy）。
Deepgram 为 Nova-3 和 Nova-2 列出了泰语（th、th-TH）。Google 的 Chirp 3 页面将泰语的发布就绪状态列为 Preview。Speechmatics 列出了泰语，ElevenLabs 也将泰语列入 Scribe v2 支持的 90 多种语言。
会议、访谈与通话录音#
会议转写需要标明谁在说话。Deepgram 的说话人分离为每个词标注说话人，录音文件还附带置信度分数，适用于所有 Nova 批量模型。ElevenLabs 在 Scribe v2 上最多可区分 32 位说话人。
AssemblyAI 用字母标记每段话，例如 A、B、C，并建议每位说话人至少有 30 秒的连续发言。Google 的 Chirp 3 的说话人分离语言列表中没有泰语。
Paxa STT Lite（研究预览版）可为短于 9 分钟的录音返回带编号的说话人轮次，不识别任何人的姓名。更长的会议可在停顿处切分，每一段会重新为说话人编号。会议和通话录音页面以及说话人轮次指南有更多内容。
产品名、人名与行业术语#
产品会议和客服电话里满是品牌名和行业术语。这一部分的每家厂商都能接收一份预期会出现的词表。Google Chirp 3 的语音自适应（Speech adaptation）最多接受 1,000 个短语。Deepgram 的关键词提示（keyterm prompting）适用于 Nova-3 和 Flux，每个请求最多 500 个 token 的关键词。ElevenLabs 对录音文件最多接受 1,000 个词，对实时转写最多接受 50 个。
Paxa STT Lite（研究预览版）最多接受 50 个词条，每条不超过 50 个字符，可以是泰语或任何其他语言。这些词条让识别结果偏向您的拼写。词条本身不会被插入转写文本。
泰语与英语混说的录音#
说泰语的人常用英语说出产品名或技术术语，然后接着说泰语。实用的转写会让每个词保留说出时所用语言的文字。
Speechmatics 列出了泰语，它的 Melia 1 模型无需选择语言，即可在列出的语言之间切换。它的 Enhanced 和 Standard 模型只接受一种选定语言或一个固定语言包，所有语言包都不含泰语。
在 AssemblyAI 的 Universal-2 上，手动列表最多包含两个语言代码，其中一个是英语，模型每个文件最多检测两种语言。Deepgram 为 Nova-3 提供的多语言选项覆盖十种语言，其中没有泰语。Google 的 Chirp 3 设为 auto 时，会转写文件中占主导的语言。
Paxa STT Lite（研究预览版）会按说出时的样子写出中途切换成英语的泰语句子，无需设置语言，也不做翻译。语码转换指南展示了这对搜索有什么作用。
视频字幕#
泰语书写时词与词之间没有空格。按字符数断开的字幕行可能把一个词切成两半。
Paxa STT Lite（研究预览版）在返回转写文本的同一个响应中返回 SRT 或 WebVTT 文件。每处换行都落在词边界上，泰语也是如此，行长由您设定。
AssemblyAI 通过自己的端点把完成的转写导出为 SRT 或 VTT，用 chars_per_caption 设定每条字幕的最多字符数。按照 Deepgram 的字幕指南，您要在自己的代码中用它的 @deepgram/captions 包把 JSON 转写结果转换为 WebVTT 或 SRT。
讲座、研讨会等长录音#
ElevenLabs Scribe 在标准模式下接受最长 10 小时的文件，它的 API 可以从源 URL 获取文件，并把结果发送到 webhook。Deepgram 接受最大 2 GB 的文件，Nova 模型处理超过 10 分钟时会返回 504。
Speechmatics 通过获取 URL（fetch URL）接收 1 GB 及以上的文件，并建议用通知跟踪任务状态。在 Google 的 Chirp 3 上，BatchRecognize 适合一分钟到一小时的音频，需要词级时间戳时最长 20 分钟。Google 的批量识别只读取存放在 Cloud Storage 中的音频。
Paxa STT Lite（研究预览版）单个请求最多转写 60 分钟、25 MiB 的音频。更长的录音请在停顿处切分，作为多个请求分别发送。讲座页面展示了这一工作流程。
实时字幕与语音智能体#
实时转写必须判断每一轮发言在哪里结束，各厂商把这个判断放在不同的位置。
Paxa STT Lite Realtime（研究预览版）在会话内做出判断。它通过一个 WebSocket 报告用户何时开始和停止说话，然后每轮发送一份最终转写，没有需要调整的设置。它接受 16 或 48 kHz 的 16 位 PCM，也接受电话系统传来的 8 kHz μ-law。
按照 ElevenLabs 的实时指南，转写片段默认手动提交，采用语音活动策略时则在静音达到阈值后提交。在 Speechmatics 的 Melia 1 上，实时转写只提供按声道区分说话人，说话人讲完后由客户端发送 ForceEndOfUtterance。
基于 OpenAI SDK 编写的代码#
OpenAI 的文件转写指南推荐在 /v1/audio/transcriptions 上使用 gpt-transcribe，文件最大 25 MB。它的弃用页面列出 whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-transcribe-diarize 将于 2027 年 2 月 26 日从 API 中移除。
Paxa 的 /v1/audio/transcriptions 在新的 base URL 上提供同样的 audio.transcriptions.create 调用，model 设为 paxa-stt-lite-v1-preview（研究预览版）。
任务与厂商一览#
| 任务 | 文档表明适用的厂商 |
|---|---|
| 会议与通话录音 | AssemblyAI、Deepgram、ElevenLabs、Paxa STT Lite（研究预览版） |
| 名称与术语 | Deepgram、ElevenLabs、Google Chirp 3、Paxa STT Lite（研究预览版） |
| 泰语夹杂英语 | AssemblyAI、Speechmatics、Paxa STT Lite（研究预览版） |
| 字幕文件 | AssemblyAI、Deepgram、Paxa STT Lite（研究预览版） |
| 长录音 | Deepgram、ElevenLabs、Google Chirp 3、Speechmatics、Paxa STT Lite（研究预览版） |
| 实时字幕与语音智能体 | ElevenLabs、Speechmatics、Paxa STT Lite Realtime（研究预览版） |
| OpenAI SDK 代码 | OpenAI、Paxa STT Lite（研究预览版） |
用您自己的录音测试#
常见问题#
泰语语音转文字该选哪家？#
选适合您任务的那家。语音智能体需要轮次检测，视频团队需要字幕文件。用您自己的录音试一遍您的任务下列出的厂商，再把转写结果放在一起对比阅读。
对 Paxa STT Lite 来说，研究预览版意味着什么？#
Paxa STT Lite 和 Paxa STT Lite Realtime 在评估期间已在 API 和控制台中上线。它们的转写结果和选项可能随版本变化，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家语音转文字厂商吗？#
可以。每家厂商使用各自的密钥和请求。一个产品可以把实时轮次发给一家厂商，把长录音发给另一家。
价格在哪里看？#
在语音转文字 API 对比中。该页列出各厂商公布的录音转写价格，每月复核。
Paxa 会发布准确率对比吗？#
不会。无论是我们的模型还是其他厂商的模型，我们都不发布任何准确率、质量或延迟数据。请用您正在考虑的每项服务转写同一段录音，再把转写结果放在一起对比阅读。