12 款语音转写 API 对比

想把会议录像自动转成文本，批量转写并分析呼叫中心的通话录音，或在自己的产品中完成采访音频转写，而不必外包？转写 API 可以满足这些需求。

本文由提供转写 API DolphinVoice 的株式会社DolphinAI撰写。由于比较对象包含自家服务，本文不做排名。 我们并列整理各家公司公开的价格页、API 文档和数据政策中的数值，并说明如何理解。DolphinVoice 在后文设有独立章节，同时说明不适用的场景。

2026 年下半年，这一领域变化很快：ElevenLabs 推出了 Scribe v2 及其实时版本；Microsoft 以每小时 0.10 美元的价格开放 MAI-Transcribe-2 预览；AssemblyAI 发布 Universal-3.6 Pro，将流式支持扩展到 32 种语言；Deepgram 则增加了专用于流式处理的 Flux。很多上半年撰写的比较文章尚未反映这些变化。我们因研发和销售工作持续跟踪各家信息，在此整理 2026 年 10 月的情况。

文章先介绍价格、日语支持、长文件处理、说话人分离与自定义词典、数据处理、私有化部署六个维度，再汇总 12 款服务，供产品选型参考。

什么是转写 API？批处理与实时处理的区别

技术上，转写 API 与语音识别API（STT／ASR）指向同一类能力，但实际使用时侧重点略有不同。

转写 API通常侧重把录好的音视频文件批量转成文本，也就是批处理（异步处理）。会议录像、采访音频、通话录音和视频字幕是典型用途，关注的是长文件处理的成本、速度与准确度。通话时在屏幕上即时显示文本、让语音机器人应答等场景则属于实时（流式）处理，主要看延迟。

本文以批处理为主，也列出实时支持情况。同一服务的批处理与实时单价可能相差 1.5～3 倍，应先明确自己的主要用途。

还要区分成品 SaaS 和 API：在浏览器上传音频并直接编辑结果的是 SaaS；通过 HTTP 或 WebSocket 发送音频、接收 JSON 结果的是 API。若要将转写集成到自家产品中，本文讨论的是后者。

选择转写 API 的六个要点

价格：按每小时总成本比较

转写场景首先应比较批处理（异步）的单价，并统一成每小时价格。0.006 美元/分钟和 0.21 美元/小时不能直接比较。

• 计费单位：每分钟单价乘以 60，统一成每小时单价。
• 币种和税费：海外服务通常以美元、不含税报价，日本服务多以日元、含税报价。
• 汇率：本文按 2026 年 10 月约 158 日元兑 1 美元计算。美元单价不变，日元贬值也会推高日元成本。
• 附加费用：说话人分离、个人身份信息（PII）删除、摘要等是否另收费。

处理量越大，汇率影响越明显。采用美元计价 API 时，建议把汇率上下浮动 10% 的敏感性分析纳入业务计划。

附加费用也容易被忽略。AssemblyAI 的说话人分离对预录音频加收 0.02 美元/小时，对流式处理加收 0.12 美元/小时；ElevenLabs 的说话人角色判定加收 10%。补齐所需功能后，成本顺序可能与基础价格的顺序不同。

日语：确认模型支持范围与识别准确度

应按模型而非供应商判断日语支持。2026 年 10 月，同一家公司的不同模型仍有差别。

AssemblyAI 是典型例子：2026 年 8 月，其流式服务仅支持 6 种语言，不包括日语；目前 Universal-3.5 Pro Streaming 和 Universal-3.6 Pro Streaming 已支持日语。但低价的 Universal-Streaming（0.15 美元/小时）仍只支持英语、西班牙语、德语、法语、葡萄牙语和意大利语。按低价模型估算，实际却需要 0.45 美元/小时的模型，是容易出现的偏差。

Deepgram 的日语也按多语言模型计费，预录音频适用 0.0052 美元/分钟，而非英语单语言模型的 0.0043 美元/分钟。

Microsoft 的 MAI-Transcribe-2 虽低至 0.10 美元/小时，但其官方博客未列出语言清单，尚无法确认日语支持，不宜仅凭价格判断。

各家都使用过“业界最高准确率”等表述，但在我们查阅的公开页面中，尚未找到专门公布日语官方 WER（词错误率）的供应商。英语基准成绩不保证日语表现，这也包括我们自己。日语准确度仍需用实际数据评估。

长音频：确认文件上限与处理时间

批量转写长音频时，文件限制直接影响实现难度。

OpenAI 的文件上限为 25MB，文中估算约相当于不足两小时的 MP3 或约十分钟的 WAV。两小时的会议录像不能直接上传，需要自行实现分割与合并，开发中途才发现会造成返工。相比之下，ElevenLabs 支持 1GB 或 4.5 小时；DolphinVoice 支持音频 1GB、视频 2GB、时长 5 小时；Speechmatics 的本地批处理容器明确标注上限为 2 小时或 4GB。

处理速度也影响体验。Azure 官方说明，批处理通常以约 5 倍实时速度处理，90% 的任务在 6 小时内完成，高峰可能需要最长 24 小时。它适合早上传、晚取结果的流程，不适合让用户一直在屏幕前等候。同为批处理，处理速度不同，可设计的用户体验也不同。

单个文件可处理时长上限比较

实用功能：确认说话人分离与自定义词典

说话人分离（diarization）方面，Amazon Transcribe 最多支持 30 人，ElevenLabs 最多 32 人，后者还可选配说话人角色判定，区分坐席和客户。AssemblyAI 可指定预期人数或范围；Speechmatics 提供按声音分离、按声道分离及两者结合三种模式；OpenAI 使用专门的 gpt-4o-transcribe-diarize 模型。如果能取得双声道录音，让坐席和客户各占一个声道，声道分离通常更可靠、成本也更低。

自定义词典／关键词增强的限制差异很大。Deepgram 最多 100 词、500 token；Speechmatics 每个任务最多 1,000 词，并支持指定读音（日语仅支持全角平假名和片假名）；AssemblyAI 的 Universal-3.5 Pro 加收 0.05 美元/小时，Universal-2 则已包含。业务中若有数百个公司名或产品名，这些上限会直接影响可用性。

Amazon Transcribe 官方文档也指出，加入自定义词汇并不保证一定识别正确。词典不是万能的，应在 PoC 中同时检验词数上限与实际改善幅度。

数据保护：确认训练用途与保存条件

企业导入通常需要法务和信息安全部门审查，各家的政策存在明确差别。

会议纪要和通话录音包含大量个人信息与商业机密。拒绝保留日志是否会涨价，是企业 IT 审查中有实际意义的差别。

部署方式：能否私有化部署或自托管

如果音频不能发到外部，候选范围会明显缩小。截至 2026 年 10 月，我们确认以下服务提供本地或自托管方案。

• Azure AI Speech：Speech to text 容器已正式可用；离线 disconnected 模式需要申请，审批约 10 个工作日。
• Deepgram：支持 Docker／Podman、Kubernetes、裸机和 SageMaker；Docker／K8s 需 Enterprise 套餐。
• Speechmatics：提供 Docker 容器、Kubernetes、虚拟设备，以及 Mac／Windows 的 On-Device 版本；本地版功能少于 SaaS 版。
• AmiVoice API Private：支持云端和本地；私有连接费用为初始 132,000 日元、每月 55,000 日元，加 API 使用费的 5%。
• NTT TechnoCross SpeechRec：可部署在本地或私有云，按并发连接数提供年度许可证。
• DolphinVoice（本公司）：支持在客户设施与管理的服务器内运行，详见企业部署方案。

Google Cloud Speech-to-Text、Amazon Transcribe、OpenAI、AssemblyAI 和 ElevenLabs 的官方本地部署说明尚未确认。此时，是否需要 GPU会显著影响总成本。GPU 配置增加采购和电力开销，能否采用 CPU 方案可能让项目报价相差数倍。

转写 API 对比表：价格、免费额度与文件上限

以下为 2026 年 10 月整理的官方公开信息。美元价格按 1 美元兑 158 日元换算，仅供参考；海外服务通常不含税，日本服务通常含税。排列按日本供应商、海外平台、语音专业供应商与自托管分类，不代表排名。

转写 API 批处理每小时价格比较，按日元换算

Azure 标准单价因官方价格页动态显示而未能取得。MAI-Transcribe-2 的 0.10 美元/小时为官方博客公布的截至 2026 年 12 月 31 日价格；服务尚在预览，且未明确日语支持。Deepgram 的日语采用多语言单价，不适用英语单语言的 0.0043 美元/分钟。AssemblyAI 流式说话人分离加收的是 0.12 美元/小时。

12 个候选方案的特点与接入注意事项

以下依次介绍日本供应商、海外平台、语音专业供应商及自托管方案，DolphinVoice 在下一节单独说明。

AmiVoice Cloud Platform：面向医疗、金融等专业领域

Advanced Media 的 AmiVoice 是日本知名度很高的服务，优势在于行业专用引擎。通用引擎的异步 HTTP 价格为保留日志 79.2 日元/小时、不保留日志 99 日元/小时。医疗引擎为 148.5～222.75 日元/小时，金融、保险和多语言引擎为 118.8～148.5 日元/小时。各引擎每月分别有 60 分钟免费额度，并且仅按发话区间计费。已取得 ISO/IEC 27001，注册编号 IS 816102。

注意事项：不允许录音数据留在外部的场景，实际成本会高于保留日志方案。官方页面仅列含税价格，未确认不含税单价。

NTT TechnoCross SpeechRec：本地部署的语音识别服务

支持通过 WebSocket 实时处理、说话人 diarization（同一声道有多人时按发话分类）和用户词典，可部署在本地或私有云，便于满足日本大型企业的采购要求。

注意事项：价格未公开，按并发连接数提供年度许可证，不能以按量计费方式小规模起步，初期技术验证也需要进入商务沟通流程。

Google Cloud Speech-to-Text：用动态批处理处理大量音频

V2 API 可用 Chirp／Chirp 2，日语支持自动标点、模型适配和词级置信度。标准价为 0.016 美元/分钟，约 152 日元/小时；Dynamic Batch 为 0.003 美元/分钟，约 28 日元/小时，比标准价低约 81%，适合不要求即时结果的大批量任务。阶梯价在每月超过 50 万分钟后降至 0.010 美元/分钟，超过 100 万分钟为 0.008 美元，超过 200 万分钟为 0.004 美元。默认不记录音频和转写日志。

注意事项：V2 价目表未标注免费额度，每月 60 分钟仅见于 V1；语言支持表的日语行未标注说话人分离。多声道音频按声道分别计费，双声道成本实际翻倍。本文查到的官方发行说明最新更新为 2025 年 11 月，尚未确认 2026 年后的重大变化。

Amazon Transcribe：适合在 AWS 内完成集成

批处理为 0.006 美元/分钟，约 57 日元/小时；流式为 0.01 美元/分钟。日语在批处理和流式中均受支持，自定义语言模型也支持两种模式。说话人分离最多 30 人，新用户前 12 个月每月可免费使用 60 分钟。可通过 S3 文件事件触发 Lambda，或直接处理 Amazon Connect 通话录音。自动内容删除和生成式 AI 通话摘要等附加功能可减少通话分析的实现工作。

注意事项：日语不支持首字母缩略词和 PII 删除；Call Analytics 仅支持通话后分析，不支持实时。数据默认可能用于训练，需配置 AWS Organizations 退出策略，这通常是企业 IT 审查的重点。

Microsoft Azure AI Speech：云端与容器部署方案

日语支持 Fast transcription，Custom Speech 可通过短语列表和结构化文本定制。实时服务明确不保留或存储客户数据。Speech to text 容器已正式可用，支持本地部署。

2026 年 9 月公布的 MAI-Transcribe-2 为 0.10 美元/小时，约 16 日元，是文中最低的价格水平；官方博客将该价格有效期标到 2026 年 12 月 31 日。

注意事项：MAI-Transcribe-2 仍为预览版，官方博客未列语言清单，无法确认日语支持，同文的支持语言数量也有 60 与 43 的差异。标准 Speech to text 价格因 JavaScript 动态渲染未能确认，正式预算需使用 Azure 价格计算器。离线容器需要申请，审批约 10 个工作日。

OpenAI：从转写衔接到摘要

主要模型 gpt-transcribe 为 0.0045 美元/分钟，约 43 日元/小时；另有 gpt-4o-transcribe（0.006 美元/分钟）和 gpt-4o-mini-transcribe（0.003 美元/分钟，约 28 日元/小时）。需要说话人分离时，可用 gpt-4o-transcribe-diarize 获取带说话人标签的 JSON。转写之后的摘要、会议纪要整理和行动项提取可在同一平台完成，现有 OpenAI SDK 也可直接使用，启动集成较快。

注意事项：25MB 文件上限对转写偏小，长音频需要分割。词级和片段级时间戳仅由旧版 whisper-1 支持，对字幕制作形成限制。官方指南未见明确的支持语言清单，难以确认日语支持的正式表述。

ElevenLabs Scribe v2：支持长音频与多人会议

以语音合成闻名的 ElevenLabs 在 2026 年下半年将转写产品升级为 Scribe v2。批处理为 0.22 美元/小时，约 35 日元；WebSocket 版 Scribe v2 Realtime 为 0.39 美元/小时，约 62 日元。

其优势是文件上限 1GB／4.5 小时，长会议或研讨会音频可不经分割直接上传。说话人分离最多 32 人，角色判定可区分坐席与客户，加收 10%，适合将多人会议和呼叫中心录音结构化。官方文档把日语列为高准确度语言。

注意事项：实时版公称延迟为 150ms，但同页也有“低于 100ms”的表述。官方 FAQ 未回答实时版是否支持说话人分离，因此仍未确认；本地部署说明也未确认。

Deepgram：自托管与行业专用模型

以 Nova-3 为中心提供预录音频与流式处理。日语按多语言模型计费：预录音频 0.0052 美元/分钟，约 49 日元/小时；流式 0.0058 美元/分钟。2026 年下半年新增流式专用 Flux、制药模型 Nova-3 Pharma，并为 Nova-3 Medical 增加多语言支持。免费试用额度为 200 美元，无到期日，也不要求信用卡。

自托管支持 Docker／Podman、Kubernetes、裸机和 Amazon SageMaker。官方说明，自托管配置不会向 Deepgram 发送音频、转写文本及请求内容中的识别信息。

注意事项：Docker／Kubernetes 自托管必须采用 Enterprise 套餐，需询价。当前流式价格为限时促销，普通价格为单语言 0.0077 美元/分钟、多语言 0.0092 美元/分钟，促销结束日未公布，成本规划不宜仅按促销价。自定义词典最多 100 词。

AssemblyAI：比较免费额度与各模型功能

预录音频的 Universal-2 为 0.15 美元/小时，约 24 日元；Universal-3.5 Pro 为 0.21 美元/小时，约 33 日元。免费额度包含预录音频 185 小时、流式 333 小时，便于低成本验证。2026 年下半年新增 Universal-3.6 Pro，将流式语言扩展到 32 种。

与 2026 年 8 月相比，日语支持已变化：Universal-3.5 Pro Streaming 和 Universal-3.6 Pro Streaming 现在支持日语，但低价 Universal-Streaming（0.15 美元/小时）仍仅支持 6 种语言，不包括日语。比较价格必须同时确认模型名称。

注意事项：说话人分离对预录音频加收 0.02 美元/小时，流式加收 0.12 美元/小时。本地部署的官方说明未确认。

Speechmatics：批处理与本地部署方案

2026 年下半年小幅降价后，Melia 1 批处理为 0.12 美元/小时，约 19 日元；Standard 为 0.23 美元/小时，Enhanced 为 0.38 美元/小时。新增医疗专用 Oak 1 Medical，价格为 0.15 美元/小时。批处理属于本文所列最低价区间，每月超过 500 小时还可享最高 25% 批量折扣。

每个任务可使用最多 1,000 词的自定义词典，日语可用全角平假名和片假名指定读音。说话人分离有 3 种模式，部署有 Cloud／On-Premises／On-Device 三种方式。

注意事项：语言页面未明确分别说明日语是否支持批处理与实时，且注明可用性取决于合同，应事先确认。本地版功能少于 SaaS 版。价格页同时出现 0.12 和 0.121 美元，小数第三位尚不明确。

自托管 Whisper：估算 GPU 与运维成本

许可证免费很有吸引力，但实际运行需自行承担 GPU 服务器、模型更新、监控和故障响应。把满足并发需求所需的 GPU 数量计入总拥有成本（TCO）后，处理量低于一定规模时，云 API 往往更便宜。说话人分离、自定义词典、标点等也需额外实现，应把补齐商用 API 标配功能的工作量计入。

GPU 方案与可在 CPU 上运行的商用引擎，服务器成本结构本身就不同。有本地部署要求时，不必先假定只有 Whisper，应同时比较 CPU 商用引擎。

DolphinVoice：日元计价与私有化部署

本节介绍我们的服务，以相同标准列出公开数值与不适用场景。

价格、免费额度与文件上限

录音文件转写标准版为 22 日元/小时，急速版为 66 日元/小时；实时语音识别为 66 日元/小时。均为日元含税价格，无月度固定费用。处理速度方面，一小时音频标准版最快 10 分钟，急速版最快 2 分钟。

DolphinVoice 价格与使用上限

免费额度包括每月 600 分钟语音识别和每月 10,000 字符的语音合成。免费额度内，实时识别可并发 10 个通道，录音文件转写可并发 2 个通道。企业每月使用超过 5,000 小时时适用阶梯价格，可用率等服务条件也已公开。

文件上限为音频 1GB、视频 2GB、时长 5 小时。标准版支持 WAV、PCM、OPUS、MP3、MP4、M4A、AMR、3GP、AAC，可选择文稿格式或字幕格式。支持日语、英语和中文，也支持中英混合与日英混合。

识别功能与部署方式

提供热词和词典注册、禁用词与强制替换自定义、说话人识别、语速计算、非流利性检测，以及逆文本正规化（ITN）。

底层采用自研 CPU 为主的架构，可配置不依赖 GPU 服务器的方案。本地部署可在客户设施及管理的服务器内运行。保留与不保留日志价格相同，录音数据不能留在外部也不会因此加价。安全页面公开了 ISO 27001／SOC 2／个人信息保护法的对应情况。

在呼叫中心和 AI会议纪要场景中，商用使用规模为每日 13,000～15,000 小时。公开案例包括 Cloopen 云 CTI「SimpleConnect」，以及三通电信服务公司的「クラコールPBX／AI通話メモ」，也可查看客户案例列表。

适用场景与需要考虑其他方案的情况

适合将日语通话录音和会议录像转写集成进产品、希望以日元锁定成本的团队；也适合不想分割长文件，或需要本地部署却难以承担 GPU 服务器预算的场景。我们通过网络会议、电话和邮件免费提供初期技术支持，便于评估资源有限的团队开展验证。

不适合把广泛多语言扩展作为主要目标的项目，因为 DolphinVoice 目前集中支持日语、英语和中文，此时 Speechmatics、ElevenLabs 等语言覆盖更广的服务更合适。如果只看批处理单价，Speechmatics Melia 1 约 19 日元/小时更低；与全球平台相比，我们的品牌知名度也较低。如果医疗或金融专用模型决定最终准确度，AmiVoice 的专用引擎值得重点考虑。

不同用途应优先比较什么

从业务用途出发的转写 API 选型流程

AI会议纪要：长音频与多说话人支持

先看长文件限制。OpenAI 的 25MB 上限需要分割实现；ElevenLabs（1GB／4.5 小时）和 DolphinVoice（音频 1GB、视频 2GB、5 小时）可直接处理更大文件。还应比较说话人数上限（ElevenLabs 32 人、Amazon Transcribe 30 人）及一小时音频的实际返回时间。

呼叫中心录音分析：专业词汇与批量处理成本

有双声道录音时优先考虑声道分离，重点比较日语专业词典与批量单价。日元计价可比较 DolphinVoice（22 日元/小时）和 AmiVoice（79.2 日元/小时起）；接受美元计价则可考虑 Speechmatics（约 19 日元/小时）和 AssemblyAI（约 24 日元/小时）。

视频字幕制作：时间戳与多语言支持

词级和片段级时间戳是必需项。OpenAI 主力模型不支持，仅旧版 whisper-1 支持，需留意。多语言需求则应关注 Speechmatics 和 ElevenLabs 的语言覆盖。

医疗、金融与政务：数据不外传的部署方式

候选包括 Azure 容器、Deepgram Enterprise、Speechmatics、AmiVoice API Private、NTT TechnoCross SpeechRec 和 DolphinVoice。行业专用模型可考虑 AmiVoice 医疗／金融引擎、Deepgram Nova-3 Medical／Pharma 和 Speechmatics Oak 1 Medical。GPU 需求仍会显著影响总成本。

控制成本：计入汇率与附加费用

Speechmatics Melia 1（约 19 日元/小时）、DolphinVoice 标准版（22 日元/小时、含税）、AssemblyAI Universal-2（约 24 日元/小时）、Google Dynamic Batch（约 28 日元/小时）与 OpenAI gpt-4o-mini-transcribe（约 28 日元/小时）处于相近区间。是否需要固定日元成本，是判断美元计价服务的一条分界线。

接入前需要确认的五项内容

1. 用真实音频评估识别准确度

至少准备 30 分钟，最好 2 小时的真实通话或会议录音，覆盖噪声、重叠发言和专业词汇，并准备人工准确文本。

2. 实测长文件上限与处理时间

实测文件上限、超时和处理时间，确认是否需要分割实现，再估算工作量。

3. 验证自定义词典的改善效果

观察改善幅度，同时检查专有名词数量是否超过上限。

4. 计入全部所需功能，估算月成本

纳入说话人分离、时间戳、PII 删除等附加项；美元计价加入汇率 ±10% 场景，促销价同时按恢复原价测算。

5. 与法务和 IT 确认数据处理方式

整理训练使用、保留时间、退出流程及存储地区。应在选型初期审查，避免末期被否决导致技术验证白做。

转写 API 常见问题

转写 API 和语音识别API有何不同？

技术上属于同类能力，实际常以转写 API 指批量处理已录好的文件，以语音识别API或实时 STT 指通话中的即时文本化。两种模式的价格可能差 1.5～3 倍，先明确用途。

如何比较日语识别准确度？

我们查阅的公开页面中，未找到专门公布日语官方 WER 的供应商。“业界最高”通常基于英语基准。录音质量、麦克风、噪声、说话人与专业词汇都会影响准确度，我们认为应以真实数据比较。

两小时会议录像能直接上传吗？

取决于服务。ElevenLabs 支持 1GB／4.5 小时，DolphinVoice 支持音频 1GB、视频 2GB、5 小时；OpenAI 上限 25MB，需要实现分割与合并。应最先确认这一限制。

说话人分离需要额外付费吗？

AssemblyAI 预录音频加收 0.02 美元/小时，流式加收 0.12 美元/小时；ElevenLabs 的角色判定加收 10%。Amazon Transcribe 和 Speechmatics 包含在基础费用中。若能双声道录音，声道分离通常更有利于准确度和成本。

如何开始免费验证？

选两三家有免费额度的服务，用相同音频比较。可选 AssemblyAI（预录音频 185 小时）、Deepgram（200 美元）、Speechmatics（100 美元）、DolphinVoice（每月 600 分钟）和 AmiVoice（每个引擎每月 60 分钟）。

下一步：按需求筛选，用真实音频比较

转写 API 一旦集成，更换成本不低。不要只根据规格表决定，应把同一音频发送给多家服务并比较。若考虑 DolphinVoice，可从以下入口开始。

本文价格与规格基于 2026 年 10 月各家官网公开信息。美元价格按 1 美元兑 158 日元换算，仅供参考。海外供应商通常以美元、不含税报价，日本供应商多为日元含税价格；实际选型请确认各家最新官方信息。