语音转文字研究预览版

泰语语音转文字,按您需要的方式书写

注册即得 100 免费积分,无需绑定银行卡。

Paxa STT Lite 转写泰语录音,其他语言按原话转写,单段录音最长 60 分钟,提供词级时间戳,可选口语或书面写法,每分钟 8.33 积分。该模型为研究预览版。评估期间按公布价格销售,其输出和选项可能随版本更新而变化。

录音文件
每分钟 8.33 积分
实时
每分钟 12.5 积分
单次请求最长录音
60 分钟
模型
paxa-stt-lite-v1-preview
一通还款提醒0:11

สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ

记录于 2026年10月15日这段录音是呼叫中心应用场景自带的音频,由 Paxa TTS Flash v2 生成。卡片上的转写稿和下方的两份转写稿,都是模型对它的实际响应,原样呈现,未作修改。

口语写法还是书面写法#

一个选项决定数字、日期、时间和重复词的写法。录音始终是同一段,两种写法不同的词已高亮标出。

สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ

按原话

数字、日期和时间按说话人的读法写成文字。适合逐字记录、跟随声音的字幕和训练数据。

สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาทครบกำหนดวันที่ 15 สิงหาคมนี้ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ

按书面规范

数字、单位、日期和重复符号 ๆ 都按泰语的书写习惯呈现。适合会议纪要、笔记、搜索索引,以及任何供读者快速浏览的内容。

逐个字段看请求#

六个字段决定转写稿的形态,任何一个都不改变价格。

录音

audio

支持 MP3、WAV、FLAC、Ogg、M4A、AAC 或 WebM,最长 60 分钟、最大 25 MiB,以 base64 发送。扣费前会先从文件读取时长。无法读取或超出限制的录音会被拒绝,不收取费用。

语言

language

默认自动检测。检测选错语言时,可设为 th 或 en。另一种语言的语音仍会按原话转写。夹杂英语术语的泰语会议无需任何设置。

词级时间戳

timestamps

设为 word,每个词都会带上以秒为单位的开始和结束时间。上方录音返回了 26 个词段,下方列出最前面几个。泰语词与词之间没有空格,这些时间段本身就是分词结果。

{ "text": "สวัสดี", "start": 0.12, "end": 0.44 },
{ "text": "ค่ะ", "start": 0.52, "end": 0.66 },
{ "text": "คุณ", "start": 1.08, "end": 1.24 },
{ "text": "สมชาย", "start": 1.32, "end": 1.88 },
{ "text": "ยอด", "start": 2.36, "end": 2.56 },
{ "text": "ชำระ", "start": 2.6, "end": 2.879 },
…

字幕

subtitles

设为 srt 或 vtt,响应会包含完整的字幕文件。字幕条目在说话人切换、句末和停顿处断开,再按每行 60 字符、最多两行切分。每次换行都落在词边界上,泰语字幕不会把一个词拆开。

说话人

diarization

设为 true,响应会为每个发言轮次增加一段,并附上说话人编号,按首次出现的顺序从 0 开始计数。不会识别任何人的身份。同时开启词级时间戳时,每个词都会标明说话人。说话人分段一次读完整段录音,因此该选项要求录音短于 9 分钟。

风格

style

默认的 verbatim 会照原样写出语气词和说错重来的部分。clean 会删去这些内容,并把断开的短语合并。clean 读起来更顺,与录音的对应没那么严格。这是可读性上的选择,要求准确就用 verbatim。

词表

vocabulary

列出录音中可能出现的术语,最多 50 个,每个不超过 50 字符,并按它们应有的写法拼写,例如产品名、人名、地名和行业术语。词表可与其他所有字段组合使用。

泰语对转写的要求#

关于泰语的三个事实决定了模型的评估方式,第四条说明如何计分。出处链接附在数字出现的位置。

没有空格

泰语并不在每个词之间留空格

大多数语音基准逐词计算错误。泰语通常不在词与词之间加空格,一个词在哪里结束,取决于分词器。这就是泰语语音识别通常改用字符来衡量的原因。

泰语口语也会走捷径:โรงเรียน 听起来常常更接近 โลงเลียน,ครับ 可能被压缩成 ขับ。转写稿必须还原声音背后的书面词语。

来源:arXiv (2026)(在新标签页中打开)Cambridge (2005)(在新标签页中打开)

一串数字,两种读法

同一个数字可以有两份正确的转写

把 10150 念出来。作为邮政编码,它逐位读出;作为数量,它按数值读出。音频可能清清楚楚,正确的转写却仍取决于上下文。

外来词也带来同样的难题。对同一个借词,泰语作者可能使用不同的公认拼写。计分时必须把真正的识别错误和无害的拼写选择区分开。

来源:arXiv (2026)(在新标签页中打开)Royal Society (10341)(在新标签页中打开)

英语夹在中间

英语通常出现在句子中间

研究泰国政治演讲的学者发现,演讲者每小时约有 43 次切换到英语。几乎所有切换都发生在分句内部,句与句之间的切换很少。

另一项针对泰国电视节目的研究,在其涵盖的所有节目类型中都发现了同样的模式。切换的往往是单个名词,这正是只按泰语处理时容易丢失的地方。

来源:HASSS 23(2)(在新标签页中打开)Manusya 6(2)(在新标签页中打开)

公平计分

公平的分数从转写稿开始

我们计分时不假定空格标记词界,会根据数字的读法对参考文本做归一化,并让英语片段保持在说话人实际切换的位置。

这样,模型只会因为听错而被扣分。另一种合理的分词或拼写不会让它失分。我们只会连同产生准确度的方法一起公布准确度。

发送录音,读取转写稿#

阅读文档
兼容 OpenAI
把 OpenAI SDK 指向这个别名端点,调用 audio.transcriptions.create,以文件分段上传录音。
/v1/audio/transcriptions
字幕文件
请求 SubRip 或 WebVTT,响应会带上完整的字幕文件,每条字幕都在词边界处断开。
subtitles: "srt" | "vtt"
一个 WebSocket 实时转写
传入麦克风或电话线路的音频流,每个发言轮次收到一份完整的转写稿。
/v1/stt/live
# Encode without line wrapping: wrapped base64 breaks the JSON string.
AUDIO=$(base64 < meeting.m4a | tr -d '\n')
# --max-time covers an hour-long recording; curl defaults to no limit.
curl -X POST https://api.paxalabs.com/v1/stt \
  --max-time 300 \
  -H "Authorization: Bearer $PAXA_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{\"audio\": \"$AUDIO\", \"model\": \"paxa-stt-lite-v1-preview\"}"

实时转写,自动检测发言轮次#

Paxa STT Lite Realtime 在说话的同时转写麦克风或电话线路中的语音,整段对话只用一个保持打开的 WebSocket。它能察觉用户何时开始和停止说话,每个发言轮次交付一份完整的转写稿。智能体无需自己判断一轮在哪里结束。下面是一次会话,按 WebSocket 实际上报的内容呈现:连续播放三段提示,每一轮都自行结束。

  1. 0:00.0

    สวัสดีค่ะ

    0.23 积分
  2. 0:01.0

    ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ

    1.84 积分
  3. 0:11.1

    สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท

    1.55 积分
  4. 0:17.3

    ครบกำหนดวันที่ 15 สิงหาคมนี้

    0.61 积分
  5. 0:20.3

    ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ

    0.64 积分
  6. 0:24.5

    ขณะนี้อยู่นอกเวลาทำการ

    0.81 积分
  7. 0:27.2

    เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น

    1.03 积分
  8. 0:32.1

    ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ

    0.51 积分
8 轮,音频 0:36,共 7.52 积分音频是呼叫中心应用场景的三段音频,由 Paxa TTS Flash v2 生成,于 2026年10月15日 依次播放进同一次会话,中间留有停顿。轮次边界、转写稿和扣费都是 WebSocket 实际发送的内容,原样呈现,未作修改。

按收到的音频每分钟 12.5 积分,约 $0.01,静音也计入,在对话进行中持续扣费。

实时转写参考

价格#

录音每分钟积分
8.33
实时音频每分钟积分,静音也计入
12.5
一小时录音
$0.50500 积分

按毫秒计费,每次请求最低 0.1 积分。时间戳、写法、语言提示和词表都不改变价格。上方 0:11 的录音花费 1.66 积分。

100 免费积分约可转写 12 分钟。

查看全部价格

常见问题#

支持转写哪些语言?

以泰语为先,其他语言按原话转写,包括在句子中途切换泰语和英语的录音。任何语言的语音都会用该语言写出。

准确度如何?

在评估方法一并公布之前,我们不公布任何准确度数字。上方的笔记解释了为什么单纯的词错误率在泰语上会产生误导。您可以在转写工具中试用自己的录音,首批积分免费。

请求失败要付费吗?

不用。系统先扣费,请求失败时自动退还。因文件无法读取或超出限制而被拒绝的请求,从不扣费。

录音最长可以多长?

每次请求最长 60 分钟、最大 25 MiB。更长的内容可以在停顿处切开,分段并行发送。

能标注说话人吗?

可以,需要在请求中开启。将 diarization 设为 true,每个轮次都会带上说话人编号,按首次出现的顺序从 0 开始计数。模型从不判断说话人是谁。说话人轮次来自对录音的一次完整读取,要求录音短于 9 分钟,比转写本身支持的 60 分钟更短。摘要不在该模型的功能范围内。

能转写实时音频吗?

可以。Paxa STT Lite Realtime 通过一个 WebSocket 读取麦克风或电话线路的音频,自行找出轮次边界,每轮交付一份完整的转写稿,按收到的音频每分钟 12.5 积分计费。上面的端点用于您已有的录音,一次性返回完整的转写稿。

我的音频会被保留吗?

录音和转写稿会在不关联账户身份的情况下保留,并用于训练模型。服务条款和隐私政策说明了这一用途。

延伸阅读#

它所在的平台#

一个余额

积分在所有 Paxa API 之间通用:语音、转写、OCR 和翻译都从同一个钱包扣费,使用同一个 API 密钥。

不会重复扣费

请求失败时,积分会自动退还。如果因连接中断而重新发送同一请求,不会被重复扣费。

共用的时间结构

转写和语音合成返回的词级时间段结构相同:text、start、end。字幕可以在两个 API 之间往返使用。

更新日志#

  1. 支持 OpenAI 转写模型名和 verbose_json

    POST /v1/audio/transcriptions 接受 whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-mini-transcribe-2025-03-20、gpt-4o-mini-transcribe-2025-12-15,它们在 paxa-stt-lite-v1-preview 上运行;并支持 verbose_json,返回时长和分段,通过 timestamp_granularities 还可返回词级时间戳。

  2. 带轮次检测的实时转写

    Paxa STT Lite Realtime(paxa-stt-lite-realtime-v1-preview)通过 WS /v1/stt/live 在说话的同时转写语音,并自行检测每个发言轮次的结束。它为语音智能体而设计:用户开始说话时发出 speech_started,轮次结束时发出 speech_ended 和一份最终的 transcript。输入为 16 位 PCM 或电话 mu-law 音频,POST /v1/stt 的语言提示、风格、写法、词表和词级时间戳在每个连接内固定。价格为按收到的音频每分钟 12.5 积分,静音也计入,在对话进行中持续扣费。

  3. 字幕以文件形式返回

    POST /v1/stt 接受 subtitles 参数,取值为 "srt" 或 "vtt",并返回完整文件。字幕条目在说话人切换、句末标点和停顿处断开,再按每行 60 字符、最多两行切分,subtitle_line_chars 可自行设定这个数值。每次换行都落在词边界上,泰语字幕不会把一个词拆开。同样的请求也能从 OpenAI SDK 发起:POST /v1/audio/transcriptions 以文件部分接收录音,可返回 json、text、srt 或 vtt。两者都不额外收费。

  4. 转写以研究预览版上线

    Paxa STT Lite(paxa-stt-lite-v1-preview)通过 POST /v1/stt 转写泰语和英语录音,按所说的语言逐字写出。词级时间戳覆盖完整的泰语词。说话人轮次从 0 开始编号。风格可选 verbatim 或 clean,写法可选口语或书面。除非发送语言提示,否则会自动检测语言。最多 50 个术语的词表可与其他所有选项组合使用。价格为每分钟音频 8.33 积分,先扣费,请求失败自动退还。

转写您的第一段录音

登录后,用 100 免费积分转写您自己的录音。这些积分约可转写 12 分钟。

免费开始