OpenAI Whisper API vs DolphinVoice API：企业级语音识别成本与能力全景对比

当语音识别从「选一个模型」走向「选一个平台」，真正决定生产环境体验的，不再只是 WER，而是 Accuracy × Latency × Concurrency × Cost × Stability——而仅实时流式 API 定价一项，OpenAI 就是 DolphinVoice 的 2.3 倍。

前言：为什么对比 OpenAI API 与 DolphinVoice API？

实时语音识别正在成为客服质检、会议转写、实时字幕、Voice Agent 等场景的核心基础设施。

当团队需要"把语音转成文字"时，OpenAI 的 Whisper API（及 gpt-4o-transcribe 系列）往往是默认选择——毕竟 OpenAI 的品牌效应和 Whisper 的开源生态深入人心。许多开发者在寻找 OpenAI 替代方案时，面临的核心问题其实是：同样是云 API，OpenAI 的语音识别 API 和企业级语音识别 SaaS 之间到底差在哪里？

但当语音识别真正进入生产环境——每天数百、数千乃至数万小时的商业调用——企业面对的挑战远不只是"识别准确率"：

• 实时性：API 能否在通话过程中即时输出文字？实时流式 API 的定价如何？
• 企业能力：热词、语者分离、ITN、标点、语气词过滤等能力是否开箱即用？
• API 定价：每天数千小时的语音，API 费用要多少钱？
• 数据可靠性：识别结果会不会"编造"音频中不存在的内容？
• 多租户管理：不同客户如何隔离流量与配额？
• 系统稳定性：能否 7×24 小时不间断运行？

DolphinVoice API 以 SaaS 服务的形式提供企业级语音识别能力。作为一款 ASR SaaS 产品，其核心技术选择不是追求更大的模型，而是针对真实生产环境重新设计推理架构：

在保证识别质量与实时体验的同时，让 API 定价降到最低——实时流式 API ¥72/小时，而 OpenAI 的实时流式 API（gpt-realtime-whisper）为 ¥163.2/小时。

什么是语音识别 SaaS？ 语音识别 SaaS（Speech Recognition SaaS）是指以云服务形式提供语音转文字能力的商业模式。客户通过 API 调用即可获得语音识别能力，无需自购 GPU 硬件、无需部署模型、无需运维团队。与自建开源模型（如 Whisper）相比，语音识别 SaaS 将基础设施、工程开发、功能集成、安全合规等成本统一打包为按量计费的服务，客户只需为实际调用量付费。欢迎前往 Playground 体验平台 亲自体验实时语音识别与离线转写效果，或前往 快速注册 立即开通 API 接入。

本文将从技术架构、API 定价、企业能力三个维度，系统对比 OpenAI 语音识别 API 与 DolphinVoice API 的差异。

TL;DR：核心结论速览

定价对比： OpenAI 的实时流式 API（gpt-realtime-whisper）定价为 ¥163.2/小时，是 DolphinVoice 实时 API（¥72/小时，全包）的 2.3 倍。批量转写方面，OpenAI gpt-4o-transcribe-diarize 为 ¥57.6/小时，而 DolphinVoice 离线仅 ¥36/小时——更便宜且含全部企业能力。

全包 TCO： 在每天 300 小时语音量（约 100 坐席）规模下，OpenAI 实时 API 月度费用 ¥1,468,800 + 补齐企业能力的隐性成本 ¥1,950,000 = ¥3,418,800/月，而 DolphinVoice API 全包价格为 ¥648,000/月。DolphinVoice 节省 81.0%，3 年累计少支出 ¥99,748,800。

技术差异： DolphinVoice 采用 End-to-End Transformer 架构与 CPU 推理，原生支持 Streaming、零幻觉、热词、语者分离；OpenAI 的 Whisper 系列基于大模型架构，实时流式 API 存在幻觉风险，且热词、ITN、多租户等企业能力均不可用。

一句话建议： 如果你的业务需要实时流式识别 + 企业级能力（热词/语者分离/ITN/多租户），DolphinVoice API 在价格和能力两个维度上都优于 OpenAI 语音识别 API。

第一部分：技术架构对比——非大模型 vs 大模型

1.1 面向 ASR 的 End-to-End Transformer

Transformer 已成为语音识别领域的主流技术路线。DolphinVoice 采用面向 ASR 任务优化的 End-to-End Transformer 架构，将计算资源尽可能用于"识别语音"本身，而非通用文本生成。

典型语音识别链路：

Audio → Feature Extraction → Encoder → Acoustic Representation → Decoder → Text

DolphinVoice 的架构设计核心目标非常明确：

让模型的计算能力服务于"从语音信号到文本的精确映射"，而不是"基于语言上下文的开放式文本生成"。

这与 OpenAI 的模型架构有着根本性的设计理念差异。OpenAI 的 Whisper（whisper-1）采用 Encoder-Decoder 架构，其 Decoder 具有较强的文本生成能力，这带来了多语言覆盖的优势，但同时也引入了"幻觉"风险（详见 1.2 节）。OpenAI 于 2025 年推出的 gpt-4o-transcribe 虽然降低了幻觉率（官方声称减少约 90%），但仍基于大模型架构，并未从根本上消除幻觉。

DolphinVoice 与 OpenAI Whisper、gpt-4o-transcribe 的技术架构对比

1.2 为什么 DolphinVoice 不会产生幻觉？——非大模型架构的设计选择

这是 DolphinVoice 与基于大模型的 ASR 系统之间最本质的区别。

通用生成式模型（包括 OpenAI 的 whisper-1 和 gpt-4o-transcribe）的训练目标包含"根据上下文生成合理文本"。而语音识别系统的目标应当是：

用户说了什么，就尽可能准确地还原什么。

OpenAI 在 Whisper 的官方文档中明确指出：

"The predictions may include texts that are not actually spoken in the audio input (i.e. hallucination). We hypothesize that this happens because, given their general knowledge of language, the models combine trying to predict the next word in audio with trying to transcribe the audio itself."

（模型的预测结果可能包含音频中实际并未说出的内容，即"幻觉"。我们推测这是因为模型在"根据语言知识预测下一个词"和"转录音频本身"之间存在冲突。）

OpenAI 在 2025 年推出 gpt-4o-transcribe 时声称幻觉减少约 90%，但这意味着仍有约 10% 的残余风险。对于呼叫中心、医疗记录、法律存档等场景，"90% 减少"与"零幻觉"之间是质的区别。

学术研究揭示了 Whisper 幻觉问题的严重性：

对于呼叫中心、医疗记录、法律存档等场景，一段"编造的文本"远比一个拼写错误更具破坏性。它可能导致：

• 合规审查中的错误记录
• CRM 系统中的虚假客户信息
• 质检分析中的误判
• 法律纠纷中的错误证据

DolphinVoice 采用非大模型架构，从设计层面杜绝了幻觉问题。 DolphinVoice 的模型专注于语音信号到文本的精确映射，不具备"基于语言分布生成文本"的机制，因此不会产生音频中不存在的内容。

什么是零幻觉 ASR？ 零幻觉 ASR（Zero-Hallucination ASR）是指语音识别系统在转录过程中不会生成音频中实际不存在的内容。这一特性通过非大模型架构实现——模型的推理过程仅执行"从语音信号到文本的确定性映射"，而非"基于语言概率分布生成文本"，从而从根本上消除了幻觉风险。对于呼叫中心、医疗记录、法律存档等对内容真实性有严格要求的场景，零幻觉 ASR 是不可妥协的底线能力。

对于企业语音数据——产品型号、电话号码、订单编号、金额、专业术语——这些内容不需要模型"生成一个合理答案"，而是需要"用户说了什么，就准确识别什么"。

1.3 为什么 DolphinVoice 的 API 定价更低？——CPU 推理架构的成本优势

DolphinVoice 针对 CPU 推理进行了深度优化。在标准服务器环境下：

CPU 推理架构意味着 DolphinVoice 无需采购或租赁昂贵的 GPU 实例，基础设施成本大幅低于 GPU 方案——而这一成本优势直接体现在 API 定价上：

OpenAI API 定价数据来源：OpenAI 官方定价页面及第三方定价数据库（costgoat.com, aiwiki.ai），2026 年 8 月验证。汇率：1 USD ≈ 160 JPY。gpt-realtime-whisper: $0.017/min = $1.02/hour ≈ ¥163.2/hour；gpt-4o-transcribe: $0.006/min = $0.36/hour ≈ ¥57.6/hour。DolphinVoice 定价基于 dolphinvoice.ai 官方价格，实时标准定价 ¥72/小时、离线标准定价 ¥36/小时，平台采用阶梯定价模式，用量越大单价越低。

对于选择 DolphinVoice API 的客户而言，CPU 推理架构意味着：

1. API 调用成本更低——实时流式 API 定价仅为 OpenAI 的 44%（¥72 vs ¥163.2/小时）
2. 服务更可靠——CPU 实例供应充足、弹性扩容快，不受 GPU 供应链波动影响
3. 无运维负担——客户无需管理 GPU 驱动、CUDA 版本、显存 OOM、节点健康检查
4. 按量付费——只为实际调用量付费，实时 ¥72/小时、离线 ¥36/小时

第二部分：API 定价与真实成本对比

OpenAI 和 DolphinVoice 都提供云 API 形式的语音识别服务，但两者的定价模型和能力范围差异显著。以下分析将展示：仅实时流式 API 定价一项，OpenAI 就是 DolphinVoice 的 2.3 倍——而 DolphinVoice 的 ¥72/小时还包含了热词、语者分离、ITN、多租户等全部企业能力，OpenAI 的 API 则需要额外开发补齐。

本文的对比逻辑：DolphinVoice 列展示的是客户实际支付的 SaaS API 费用（¥72/小时音频，全包价格，含全部企业能力）；OpenAI 列展示的是客户调用 OpenAI API 需支付的 API 费用——这仅是总成本的一部分，热词、语者分离（实时）、ITN、多租户等企业能力的开发成本尚未计入（详见 2.5 节）。

我们从以下维度进行系统对比：

API 定价 × 实时流式 vs 批量 × 企业能力补齐成本

2.1 OpenAI 语音识别 API 定价体系

OpenAI 目前提供多个音频转写 API 模型，定价差异显著：

DolphinVoice API 定价：

DolphinVoice 实时语音识别标准定价为 ¥72/小时，离线语音识别为 ¥36/小时，均为全包价格，已包含 Streaming、语者分离、热词、ITN/标点/语气词过滤/大模型顺滑/敏感词/强制替换/词级别信息、多租户管理、运维与安全合规。平台采用阶梯定价模式，用量越大单价越低。完整价格体系请参考 DolphinVoice API 价格介绍。

OpenAI 定价数据来源：OpenAI 官方定价页面及第三方定价数据库（costgoat.com, aiwiki.ai, nativeai.agency），2026 年 8 月验证。汇率：1 USD ≈ 160 JPY。OpenAI API 按输入音频时长计费（非语音时长），单次请求文件大小限制 25 MB（约 30 分钟音频），长音频需分割处理。

2.2 实时流式 API 定价对比——OpenAI 是 DolphinVoice 的 2.3 倍

对于呼叫中心等实时场景，API 必须支持低延迟流式输出。

关键发现： OpenAI 的实时流式 API 不仅定价是 DolphinVoice 的 2.3 倍，而且仅提供裸转写能力。DolphinVoice 的 ¥72/小时已包含全部企业能力，而 OpenAI 需要客户自行开发补齐。

2.3 批量转写 API 定价对比——DolphinVoice 更便宜且能力更全

对于离线批量转写场景，我们选取 OpenAI 含语者分离的 gpt-4o-transcribe-diarize 模型进行对比——该模型在 ¥57.6/小时定价下已包含语者分离功能（与标准版同价，无额外费用）。然而 DolphinVoice 离线语音识别仅 ¥36/小时，不仅价格更低，且已包含全部企业能力：

结论： 在批量转写场景下，DolphinVoice 不仅定价更低（¥36 vs ¥57.6/小时，月度节省 ¥194,400），而且仍多出 7 项文本后处理 + 热词 + 多租户 + 实时语者分离 + 零幻觉。此外，OpenAI API 单次请求限制 25 MB（约 30 分钟音频），长音频需自行分割后再多次请求拼接结果，大幅增加工程复杂度；而 DolphinVoice 单次可直接处理最长 6 小时的音频，超出部分仍可定制扩展，省去分割、并发管理、结果合并的整套开发成本。

2.4 场景：每天 300 小时（约 100 坐席）

业务参数：

• 每天语音量：300 小时
• 运行时间：08:00～20:00（12 小时/天）
• 平均实时并发：300 ÷ 12 = 25 路
• 月度语音量：300 × 30 = 9,000 小时

实时流式 API 月度费用对比：

结论： 在实时流式场景下，OpenAI 的 API 费用是 DolphinVoice 的 2.3 倍（¥1,468,800 vs ¥648,000），而 DolphinVoice 的费用已包含全部企业能力。

2.5 补齐企业能力的隐性成本——不止于 API 费用

OpenAI 的 API 仅提供语音转写，以下企业能力需要客户自行开发——而 DolphinVoice API 已将以上全部包含在内。

隐性成本估算（100 坐席规模 / 300h/天，基于实时流式场景）：

基于日本市场的人才成本估算（含社会保险与福利）。参考 ML 工程师 ¥700,000～900,000/月、后端工程师 ¥600,000～800,000/月、DevOps ¥500,000～700,000/月，按功能模块的职责占比进行分摊。业务量增大时，团队规模需相应扩大，隐性成本同步增长。注：OpenAI 的 gpt-realtime-whisper 已提供实时流式能力，无需额外开发 Streaming 工程。

2.6 全包 TCO 对比

OpenAI API + 隐性成本 vs DolphinVoice API 全包：

年度与 3 年 TCO：

OpenAI 与 DolphinVoice 的全包 TCO 对比

结论： 在 100 坐席规模下，选择 OpenAI 实时 API 的 3 年总成本为 ¥123,076,800，而调用 DolphinVoice API 的 3 年费用为 ¥23,328,000——选择 OpenAI 3 年多支出 ¥99,748,800。其中 API 费用占总成本的 43%，剩余 57% 来自实时语者分离、热词、文本后处理、多租户与运维等隐性成本。

一句话总结：OpenAI 实时流式 API 的裸定价已是 DolphinVoice 的 2.3 倍（¥163.2 vs ¥72/小时），补齐热词、语者分离、ITN/标点/语气词过滤/大模型顺滑/敏感词/强制替换/词级别信息、多租户等企业能力后，OpenAI 总成本是 DolphinVoice 的 5.3 倍。而调用 DolphinVoice API，一个 Key 即可获得以上全部能力，按量付费，量大另有阶梯折扣。

第三部分：企业级能力对比

一个模型可以决定识别能力，但一个完整的平台才能决定企业是否真正能够使用。当 ASR 进入生产环境后，客户需要的不只是 Speech → Text，而是一整套企业级能力。这正是选择 DolphinVoice API 而非 OpenAI API 的核心价值——以下能力均已内置，客户接入即用。

OpenAI Whisper API 与 DolphinVoice API 的企业能力矩阵

3.1 热词与专业词汇

企业语音中存在大量通用模型难以稳定识别的内容：公司名称、产品名称、品牌、人名、专业术语、产品型号、行业词汇。

DolphinVoice 原生支持热词功能：

普通 ASR → 通用识别结果 → "请问您的订单号是 D F 3 8 0 2 吗"

DolphinVoice + Hot Words → 词汇优化 → "请问您的订单号是 DF-3802 吗"

企业可根据自身业务建立专属词表，让 ASR 更好地理解企业自身的业务语言。

OpenAI API 的局限： OpenAI 的 Whisper API 和 gpt-4o-transcribe 均不支持自定义词汇注入。虽然提供可选的 prompt 参数用于影响拼写风格，但这不是真正的热词功能——无法保证特定术语、产品名的准确识别。要在 OpenAI API 之上实现热词效果，需要自建后处理纠错系统，增加了工程复杂度。

3.2 语者分离（Speaker Diarization）

对于会议、客服、访谈等多方对话场景，语者分离是核心能力。

[Agent]   您好，请问有什么可以帮助您？
[Customer] 我想咨询一下订单的问题。
[Agent]   好的，请提供一下订单号。

DolphinVoice 可自动区分不同说话人，在呼叫中心场景中可进一步区分 Customer / Agent。这不仅让转写结果更易读，也为后续的客服质检、CRM 集成、AI Summary、合规审查、会话分析提供结构化数据。

OpenAI API 的局限： OpenAI 于 2025 年底推出 gpt-4o-transcribe-diarize，支持批量语者分离（同一 ¥57.6/小时定价，无额外费用）。但该能力仅限批量模式，不支持实时流式场景。对于需要在通话过程中实时区分客服与客户的呼叫中心场景，仍需集成 pyannote.audio 等独立系统。

3.3 多租户流量管理

对于 SaaS 平台而言，ASR 不只是一个模型 API。一个企业级语音识别平台必须解决不同客户之间的资源管理问题。

Tenant A ─┐
          │
Tenant B ─┼──→ API Gateway → Traffic Management → ASR Cluster
          │
Tenant C ─┘

DolphinVoice 围绕租户提供完整的管理能力：

DolphinVoice 面向的是 SaaS 级企业生产环境，而不仅仅是一个 ASR Model。

OpenAI API 的局限： OpenAI 的 API 是一个通用的模型调用接口，不提供多租户管理能力。企业需要自行开发 API Gateway、多租户管理、计量计费等所有平台能力，工程投入远超 API 调用本身。而调用 DolphinVoice API，以上能力均已在平台侧实现，客户只需管理自己的租户配置和 API Key。详细的 API 接入方式与参数说明请参考 开发者文档。

3.4 文本智能后处理

ASR 模型输出的原始文本往往不能直接用于业务场景。DolphinVoice 平台在识别结果之上，内置了一整套文本后处理能力，让输出即开即用。

什么是 ITN（逆文本归一化）？ ITN（Inverse Text Normalization，逆文本归一化）是语音识别后处理的核心步骤，将口语中的数字、日期、金额等表达自动转换为书写格式（如"三点五公斤" → "3.5kg"、"一百二十三" → "123"、"二零二六年八月" → "2026年8月"）。ITN 使转写结果可直接用于数据入库、报表分析和结构化存储，是企业级语音识别 API 不可或缺的能力。

原始识别 → ITN → 标点 → 语气词过滤 → 敏感词检测 → 强制替换 → 最终输出
                                    ↘ 大模型顺滑（可选）

以上后处理能力均可通过 API 参数灵活开关，客户按业务场景按需启用。

OpenAI API 的局限： OpenAI 的 API 仅输出原始识别文本（whisper-1 有基础标点，gpt-4o-transcribe 标点略好），不提供 ITN、语气词过滤、大模型顺滑、敏感词、强制替换等任何后处理能力。word-level timestamps 仅 whisper-1 通过 verbose_json 格式支持，gpt-4o 系列不支持词级别时间戳。企业需自行开发文本处理管线，工程量和维护成本显著增加。

3.5 实时与离线统一平台

企业往往同时存在两类需求。DolphinVoice 作为统一的语音转文字 API 平台，将实时与离线能力统一在同一个服务体系中。

实时语音转写（WebSocket Streaming）：

WebSocket → Streaming ASR → Partial Result → Final Result

适用于：Call Center / Voice Agent / 实时字幕 / 会议 / 在线客服

离线识别（Batch Processing）：

Audio File → Batch Processing → ASR → Speaker Diarization → Structured Transcript

适用于：批量转写 / 会议归档 / 客服质检 / 数据分析 / 历史音频处理

以上实时与离线功能均可在 Playground 体验平台 中直接体验。DolphinVoice 实时定价 ¥72/小时、离线 ¥36/小时，而 OpenAI 的实时 API（gpt-realtime-whisper ¥163.2/小时）与批量 API（gpt-4o-transcribe-diarize ¥57.6/小时，含语者分离）定价均高于 DolphinVoice。

第四部分：真实生产环境验证

DolphinVoice 平台不是实验室产品。它已经在真实的商业环境中持续运行，承载着每天数万小时的语音处理任务。这些数据不仅验证了技术能力，更验证了 DolphinVoice 作为 SaaS 服务的稳定性与可靠性——客户接入的 API，背后是经过大规模商用检验的生产级系统。

语音识别调用量

15,000 小时 / 天

涵盖呼叫中心实时识别、会议转写、Voice Agent 交互等场景。

发音评测调用量

100,000 次 / 天

面向语言学习和口语评测场景的发音质量评估。

DolphinVoice 的大规模生产环境验证数据

这些真实生产数据验证了 DolphinVoice 在以下维度的实际能力：

FAQ：常见问题

OpenAI 的 API 能做实时语音识别吗？

能，但价格更高。OpenAI 提供 gpt-realtime-whisper 模型支持实时流式转写，定价为 $0.017/分钟（≈¥163.2/小时）。DolphinVoice API 同样支持实时流式识别（WebSocket Streaming，首字延迟约 1 秒），定价为 ¥72/小时——仅为 OpenAI 的 44%。此外，OpenAI 的实时 API 不支持热词、实时语者分离等企业能力，DolphinVoice 均已内置。

OpenAI API 和 DolphinVoice API 哪个更便宜？

取决于使用场景。实时流式场景下，DolphinVoice（¥72/小时）比 OpenAI（¥163.2/小时）便宜 55.9%。批量转写场景下，DolphinVoice（¥36/小时）比 OpenAI 含语者分离的 gpt-4o-transcribe-diarize（¥57.6/小时）便宜 37.5%，且仍多出热词、ITN、多租户等 7 项企业能力 + 实时语者分离 + 零幻觉。补齐这些能力的隐性成本约 ¥1,950,000/月，全包 TCO 是 DolphinVoice 的 5.3 倍。

OpenAI 的 Whisper API 会产生幻觉吗？

会。OpenAI 在 Whisper 官方文档中明确指出模型的预测结果可能包含音频中实际并未说出的内容（即"幻觉"）。学术研究（Koenecke et al., 2024）发现约 1% 的转录结果包含完全捏造的短语或句子。OpenAI 于 2025 年推出的 gpt-4o-transcribe 声称幻觉减少约 90%，但仍有约 10% 的残余风险。DolphinVoice 采用非大模型架构，不具备文本生成机制，从设计层面杜绝了幻觉问题。

DolphinVoice API 和 OpenAI API 有什么区别？

语音识别 API 怎么选？

如果你需要以下任何一项，建议直接调用 DolphinVoice API：

• 实时流式识别（低延迟 Streaming，且定价更低）
• 零幻觉（不能编造内容）
• 热词、实时语者分离、ITN 等企业级文本后处理
• 多租户管理与计量计费
• 单次上传最长 6 小时音频（OpenAI 仅 30 分钟，需自行分割拼接）
• 实时与离线统一 API（实时 ¥72/小时，离线 ¥36/小时）
• 7×24 稳定运行与安全合规

OpenAI API 仅适合： 只需要批量转写、不需要企业级能力、且对幻觉风险可接受的场景。即便如此，gpt-4o-transcribe 不支持词级别时间戳，gpt-4o-mini-transcribe 精度略低。

DolphinVoice API 的价格是多少？

DolphinVoice API 实时语音识别标准定价为 ¥72/小时音频（全包），离线语音识别为 ¥36/小时音频（全包）。两者均已包含 Streaming、语者分离、热词、文本后处理（ITN/标点/语气词过滤/大模型顺滑/敏感词/强制替换/词级别信息）、多租户管理、运维与安全合规（AICPA SOC 2 Type I + ISO 27001 + APPI 合规 + SSL 加密通信）。平台采用阶梯定价模式，用量越大单价越低。完整价格信息请参考 API 价格介绍。

结语：该选哪个 API？答案很简单

对于企业而言，选择语音识别 API 时，模型准确率只是一个指标。真正决定生产环境体验的，是：

Accuracy × Latency × Concurrency × Cost × Stability

OpenAI 的 Whisper API（及 gpt-4o-transcribe 系列）是优秀的通用语音识别 API，但在企业生产环境中，仅实时流式 API 定价一项就是 DolphinVoice 的 2.3 倍（¥163.2 vs ¥72/小时），而热词、ITN、多租户等企业能力还需额外开发，补齐后总成本是 DolphinVoice 的 5.3 倍。

而 DolphinVoice API 的一句话回答是：

一个 API Key，实时 ¥72/小时、离线 ¥36/小时，以上全部已内置，按量付费，当日开通。采用阶梯定价，用量越大单价越低。

从 CPU 推理到零幻觉架构，从原生 Streaming 到离线批量转写，从热词、语者分离到 ITN/标点/语气词过滤等文本后处理，从多租户管理到安全合规——DolphinVoice 不是一个让你自己补齐能力的 API，而是一个即开即用的企业级语音识别 SaaS 服务。

现在就接入 DolphinVoice API，无需 GPU、无需运维、按量付费，量大另有阶梯折扣。 前往 快速注册 开通 API，或查看 开发者文档 了解接入方式，完整价格信息请参考 API 价格介绍。

关于 DolphinAI

DolphinAI 是一家专注于语音识别、语音合成与语音对话技术的 AI 公司，为企业客户提供高性价比、高可靠性的语音 AI SaaS 服务。了解更多公司信息请访问 关于 DolphinAI。

安全与合规

DolphinAI 将数据安全与隐私保护作为平台核心能力的一部分，已取得并持续维护多项国际与日本本土安全合规资质：

商用流量

核心能力

识别能力

文本后处理

平台与基础设施

DolphinVoice API

不只是 Speech-to-Text API

而是即开即用的企业级语音 AI SaaS 服务。

无需 GPU · 无需运维 · 按量付费 · 当日开通

实时语音识别与离线转写、零幻觉架构、热词与语者分离、ITN/标点/语气词过滤/大模型顺滑/敏感词/强制替换/词级别信息等文本后处理、多租户管理、CPU 推理——全部内置，一个 API Key 即可调用。