Synthorai
🎁 新用戶 免費註冊，送 10 次呼叫，最高 $1，免綁卡。
語音轉文字 API 成本：用同一組音訊實測 7 個模型

語音轉文字 API 成本：用同一組音訊實測 7 個模型

作者:Synthorai Engineering · 2026年6月25日 · 更新於 2026年7月26日 · transcription · asr · speech-to-text · cost
目錄
  1. 這項測試涵蓋什麼，又不涵蓋什麼
  2. 專用 ASR，不是多模態模型
  3. 語音轉文字如何計費
  4. 成本
  5. 準確度與語言涵蓋範圍
  6. 串流輸出
  7. 快取
  8. 先篩選哪些條件，哪些項目需要自行測試
  9. 結論
  10. 資料來源

Synthorai 現已支援語音轉文字，透過單一 OpenAI 相容端點提供 7 個專用模型。

這個端點封裝了大量整合工作，因為這些模型原生介面幾乎完全不同。whisper-1 接收 multipart 檔案上傳，並回傳 {text}。gpt-4o-transcribe 採用相同的上傳方式，但多了 token 用量資訊。ByteDance 的 seed-asr 使用 BytePlus AUC 協定，Alibaba 的 qwen3-asr-flash 有自己的協定，Google 的 chirp 模型則是透過 OAuth 存取 Cloud Speech-to-Text 辨識器。

不同端點、不同驗證方式、不同回應格式，每個模型都得另外整合一次。透過閘道，只需要呼叫同一個 OpenAI 相容端點：把 gpt-4o-mini-transcribe 換成 seed-asr-bigmodel 或 chirp-3，其他程式碼完全不用改。

TL;DR

  • 7 個專用模型的語音轉文字成本相差 8 倍：seed-asr-bigmodel 每音訊分鐘 $0.0020，chirp 模型則為 $0.0164（測量日期為 2026-06-25）。
  • seed-asr 不支援語言自動偵測：未設定 language 時，英文與中文以外的音訊會回傳 HTTP 200，但文字內容為空白或羅馬拼音亂碼，而且仍會計費。
  • qwen3-asr-flash 每分鐘 $0.0021，是測試中能自動偵測所有語言的最便宜模型。
  • 只有 gpt-4o 語音轉文字模型能逐 token 串流輸出；按分鐘計費的模型都只支援批次處理。
  • 所有模型在清晰的英文、西班牙文與法文語音上，錯誤率都約為 0%：準確度不是選型時的主要差異。

這裡呼叫的是 OpenAI 相容的語音轉文字端點。如果你已經在使用 Whisper，可以直接替換：

curl https://synthorai.io/v1/audio/transcriptions \
  -H "Authorization: Bearer $SYNTHORAI_API_KEY" \
  -F file=@meeting.mp3 \
  -F model=gpt-4o-mini-transcribe
from openai import OpenAI

client = OpenAI(base_url="https://synthorai.io/v1", api_key="sk-syn-...")

with open("meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(model="gpt-4o-mini-transcribe", file=f)

print(result.text)

轉錄結果會放在 text，實際計費金額則位於回應標頭 x-total-cost-usd。

我們用同一套簡單測試跑過全部 7 個模型。以下所有數據，都必須放在這套測試的條件下解讀。

這項測試涵蓋什麼，又不涵蓋什麼

我們用全球使用人口最多的 5 種語言，各自透過標準文字轉語音聲線產生沒有專有名詞的日常短文，內容包括早晨、天氣和去市場等，再交給全部 7 個模型進行語音轉文字。每段音訊約 12 到 15 秒，以正常語速朗讀約 40 個字詞，沒有長時間停頓。音訊格式為 16 kHz、單聲道、16-bit PCM WAV（256 kbps，每分鐘約 2 MB）。原始文字就是標準答案，音訊長度則採用精確值。

這是刻意設計得很簡單的測試：音訊清晰、內容照稿朗讀、只有單一說話者，也沒有口音、雜音或術語。這種條件適合衡量不受音訊難度影響的項目，包括成本、延遲、模型是否支援特定語言，以及能否串流輸出。這些結果相對穩定。

這不是品質評測。真實錄音會有口音、背景雜音、領域詞彙、多人同時說話，長度也可能超過一小時。這些條件會讓模型呈現出清晰語音測試看不出的差異，而本文結果無法預測那些差異。準確度數字只能視為基本門檻檢查，不能用來排名；成本、語言涵蓋範圍與串流能力，才是可以直接採用的基準。

專用 ASR，不是多模態模型

本文測試的 7 個模型都是專用語音轉文字系統：OpenAI 的 whisper-1、gpt-4o-transcribe 和 gpt-4o-mini-transcribe；ByteDance 的 seed-asr-bigmodel；Alibaba 的 qwen3-asr-flash；以及 Google 的 chirp-2 和 chirp-3。

閘道也能讓語音轉文字端點使用 Gemini 之類的通用多模態模型。這類模型理解音訊時，也能順便產生逐字稿。但我們沒有納入測試，也不建議用它們處理語音轉文字。Google 對自家產品的建議也相同：Gemini 音訊指南將 Gemini 定位為描述、摘要音訊或回答音訊相關問題的工具；若需要逐字稿，則建議改用其他服務：「若需要支援即時語音轉文字的專用語音轉文字模型，應使用 Google Cloud Speech-to-Text API」（也就是 Chirp 模型）。多模態模型雖然能輸出逐字稿，但它的設計目標是理解音訊，而不是精確記錄每一句話。此外，它使用聊天形式的 generateContent 呼叫，而不是語音轉文字 API。要逐字轉錄語音，專用模型才是適合的工具，同時提供兩類模型的供應商也持相同看法。

音訊有 3 種傳送方式：

  • 上傳檔案，批次回傳：上傳完整錄音，在單一回應中取得完整逐字稿。所有模型都支援。
  • 上傳檔案，串流回傳文字：同樣上傳完整錄音，但逐字稿會在產生時透過 SSE 串流回傳。部分模型支援，其他模型只能批次處理。
  • 串流輸入音訊，串流輸出文字：即時辨識麥克風或通話音訊。這項功能仍在開發中，尚未提供，因此下文只涵蓋前兩種模式。

語音轉文字如何計費

計費方式分成兩種。按音訊分鐘計費（whisper-1、seed-asr、qwen3-asr-flash、Chirp 模型）：費用只看錄音的實際時長，與內容無關。按 token 計費（gpt-4o 模型）：音訊會以固定速率 token 化，費用包含音訊輸入 token 與逐字稿輸出 token，因此靜音比密集語音便宜。

按 token 計費有一個容易誤判的地方：標示的輸入費率是文字費率，但音訊的計費單價更高（gpt-4o-mini-transcribe 標示的輸入費率為 $1.25/M，音訊實際按 $3/M 計費）。如果拿文字費率估算，結果會低估。閘道會在 x-total-cost-usd 標頭回傳實際費用，應直接讀取這個值，不要根據定價頁自行推算。

成本

成本是這項測試最能明確量化的項目，也是差異最大的項目。以下是根據計費標頭算出的每分鐘成本（閘道內所有模型目前的牌價可查閱即時更新的模型頁面）：

模型成本／分鐘延遲串流
seed-asr-bigmodel$0.0020≈10s否
qwen3-asr-flash$0.0021≈3s否
gpt-4o-mini-transcribe$0.0031≈3s逐 token
whisper-1$0.0060≈4s否
gpt-4o-transcribe$0.0062≈2s逐 token
chirp-2$0.0164≈3s否
chirp-3$0.0164≈4s否

成本差距約為 8 倍，從 seed-asr 的每分鐘 $0.0020，到 Chirp 模型的 $0.0164。最便宜的 seed-asr 必須明確指定音訊語言（下文會詳述），因此適合事先知道語言的情境。若音訊語言混雜或未知，最便宜又不需手動指定語言的選擇是每分鐘 $0.0021 的 qwen3-asr-flash。Chirp 模型的價格明顯最高。如果一定要使用 Chirp，應直接選 chirp-3：價格和速度與 chirp-2 相同，但從準確度表可以看出，它的中文語音轉文字表現好得多。

這些數字在你自己的檔案上會如何變動，取決於計費方式。按分鐘計費的模型（whisper-1、seed-asr、qwen3-asr-flash、Chirp）只看音訊長度，因此費率可以直接套用：無論格式或內容為何，10 分鐘音訊的費用就是每分鐘價格的 10 倍。

按 token 計費的模型（gpt-4o 各列）輸入成本會隨音訊長度增加，而不是隨檔案大小增加，因為供應商會先重新取樣，再進行 token 化。同一段內容，無論是體積較大的 320 kbps MP3，還是測試使用的精簡 16 kHz WAV，token 化後的成本都差不多。因此壓縮檔案只能節省儲存空間，無法降低語音轉文字費用。真正會影響按 token 計費金額的是實際語音量：我們的音訊採正常語速，且沒有無聲片段；語音比這更密集或更稀疏時，輸出 token 的費用會略高或略低。無論哪種情況，x-total-cost-usd 標頭都是實際費用的依據。

準確度與語言涵蓋範圍

對英文、西班牙文和法文而言，所有支援該語言的模型，錯誤率都約為 0%。這只是基本門檻，而所有模型都通過。即使測試條件如此簡單，中文和印地文仍開始出現差異。不過，這些結果只能用來決定自己的測試應優先涵蓋哪些語言，不能直接判定模型優劣：

模型中文（CER）印地文（WER）涵蓋範圍
seed-asr-bigmodel0%9%全部 5 種（必須明確設定 language）
qwen3-asr-flash0%15%全部 5 種
gpt-4o-mini-transcribe0%4%全部 5 種
whisper-10%22%全部 5 種
gpt-4o-transcribe0%13%全部 5 種
chirp-216%15%全部 5 種
chirp-32%15%全部 5 種

真正需要注意的不是語言涵蓋範圍，而是語言偵測。只要傳入 language 參數，seed-asr 就能處理全部 5 種語言；後續測試的日文、德文、義大利文和韓文也都能處理。但它無法自行偵測語言：若未設定 language，英文或中文以外的音訊會回傳空字串或羅馬拼音亂碼，HTTP 狀態仍是 200，也不會出現錯誤。其他 6 個模型都會自動偵測。這種無聲失敗才是關鍵發現：模型如果明確報錯，只是造成麻煩；悄悄失敗則會演變成正式環境事故。

印地文結果的落差，以及中文上的失誤（chirp-2 為 16%，chirp-3 已修正），代表在信任這些模型前，應先用難度更高的語言測試，而不是直接判定哪個模型比較好。合成語音和評分方式會放大絕對數值，而且每次執行也會有所波動。比較合理的結論是：對主要語言的清晰語音而言，這些模型的準確度差異不大，因此本測試無法依此推薦特定模型。

串流輸出

模型能否串流輸出逐字稿屬於功能差異，不代表品質高低，而這項功能把 7 個模型分成兩組。按分鐘計費的模型（whisper-1、seed-asr、qwen3-asr-flash 和兩個 Chirp）只能批次處理；要求它們串流時，閘道會回傳 400。gpt-4o 模型則會逐 token 串流：gpt-4o-transcribe 大約 1 秒就會回傳第一批文字，再逐步補上後續內容，適合需要即時感的 UI。費用與批次模式相同。若要啟用串流，加入 stream=true：

curl -N https://synthorai.io/v1/audio/transcriptions \
  -H "Authorization: Bearer $SYNTHORAI_API_KEY" \
  -F file=@meeting.mp3 -F model=gpt-4o-transcribe -F stream=true
# data: {"type":"transcript.text.delta","delta":"When"}
# data: {"type":"transcript.text.delta","delta":" you"} ...

快取

這些模型實際上都沒有快取機制。按分鐘計費的模型依音訊長度收費，重複傳送也沒有折扣：我們將同一段音訊傳給 whisper-1 5 次，每次都支付完全相同的 $0.015478。按 token 計費的 gpt-4o 模型沒有列出快取費率，重複測試也只出現一般的執行間波動。因此規劃成本時應直接採用每分鐘費率；重送相同檔案不會更便宜。

先篩選哪些條件，哪些項目需要自行測試

這項測試無法判斷哪個模型處理你的錄音最準確。但在自行評估前，可以先依以下條件篩選：

  • 語言。 確認模型支援所有需要的語言，也要確認它能否自行偵測語言。seed-asr 能處理我們測試的每一種語言，但必須明確傳入 language 參數；若未傳入，英文與中文以外的音訊會悄悄失敗。其他 6 個模型都會自動偵測，對混合語言或未知語言的音訊而言，是更安全的預設選擇。
  • 串流。 如果需要即時逐字稿，只有 gpt-4o 模型能逐 token 串流；按分鐘計費的模型都只能批次處理。
  • 成本。 價格差距約為 8 倍。能涵蓋所有語言的最便宜模型是每分鐘 $0.0021 的 qwen3-asr-flash；Chirp 最貴，而在較便宜的模型之外選用 Chirp，唯一有理由考慮的是 chirp-3。沒有快取可降低費用，因此每分鐘費率就是實際成本。
  • 模型類型。 應使用專用語音轉文字模型，而不是通用多模態模型。逐字轉錄應交給專門工具處理，同時提供兩類模型的供應商也持相同看法。

幾個模型通過上述條件後，剩下的問題就是：面對你自己的音訊、口音、雜音和詞彙，各模型的準確度如何。這只能自行測試。再多的清晰語音評測，都無法取代用真實錄音測試篩選後的模型。

結論

對主要語言的清晰照稿語音而言，7 個模型的準確度大致相同。這正是本次測試最有價值的結論：準確度不是選型時的主要差異。真正能明確量化，而且確實存在差異的基準，是約 8 倍的成本落差、其中一個模型只會自動處理兩種語言，以及按分鐘計費的模型無法串流。先用這些條件縮小範圍，不要急著選出單一勝者，再拿最後留下的 2、3 個模型測試自己的音訊。逐字轉錄應使用專用語音轉文字模型，而不是通用多模態模型；同時開發兩類模型的供應商也給出相同建議。

資料來源

成本與延遲是在 2026-06-25 於 Synthorai 上測得，測試涵蓋 7 個專用語音轉文字模型，以及 5 種語言（英文、中文、印地文、西班牙文、法文），數據來自 x-total-cost-usd 標頭與 SSE 計時。seed-asr 的語言資料列是在 2026-07-04 設定 language 參數後重新測量。音訊由文字轉語音產生，難度刻意降低，因此準確度數字只能視為基本門檻檢查，不能當作品質評測；帶有口音與雜音的真實語音，會以不同方式拉開模型差異。每次執行的延遲都可能不同。表列價格為該日期平台上的費率。實際採用前，請再次確認最新定價。

← 返回部落格