Chirp 2 vs Chirp 3

vs

什麼情況選哪一個

兩者同為每音訊分鐘 $0.016,所以較新的 chirp-3 是預設選擇:它在 Recognize 和 BatchRecognize 中增加了語者分離,涵蓋 14 種語言,並公布 29 個 GA 加 82 個預覽語言區,而 chirp-2 不做分離、StreamingRecognize 只支援 16 個語言區。代價在時間戳和時長——chirp-2 提供詞級時間戳、批次處理可從 1 分鐘到 8 小時,而 chirp-3 把詞級時間戳列為不支援、批次處理封頂 1 小時。需要詞級時間點或超長檔案時選 chirp-2。

定價

Chirp 2 Chirp 3 Δ
每分鐘音訊 $0.016 $0.016 =

費率取自網站建置時的即時目錄;各模型頁面都列有最新的價目。

兩者的相對位置:每分鐘音訊的價格,涵蓋同一計費單位下全部 12 個語音轉文字模型(對數尺度)

Chirp 2 · $0.016 Chirp 3 · $0.016

功能

Chirp 2 Chirp 3
語者分離 否 是
串流 是 是
時間戳記 是 是

規格

Chirp 2 Chirp 3
輸入模態 音訊 音訊
輸出模態 文字 文字
發布日期 - 2025-10-13
限制 音訊解碼自動偵測;同步 Recognize 小於 1 分鐘,BatchRecognize 1 分鐘至 8 小時,StreamingRecognize 用於即時場景;可選詞級時間戳;語言無關轉寫(模型會推斷音訊中最主要的語言並以該語言轉寫);不支援獨立的語言偵測;不支援語者分離;支援語音翻譯 音訊解碼自動偵測;同步 Recognize 小於 1 分鐘,BatchRecognize 1 分鐘至 1 小時(帶詞級時間戳時不超過 20 分鐘),StreamingRecognize 用於即時場景;BatchRecognize 與 Recognize 支援語者分離(14 種語言);句級時間戳(僅 StreamingRecognize),詞級時間戳列為不支援;語言無關轉寫;29 個 GA 加 82 個預覽 locale
語言 因方法而異:BatchRecognize 覆蓋最廣,Recognize 則「與 Chirp 相當」;StreamingRecognize 僅限 16 個 locale(簡體中文/繁體中文、粵語、英語 AU/IN/GB/US、法語 CA/FR、德語、義大利語、日語、韓語、葡萄牙語(巴西)、西班牙語 ES/US) StreamingRecognize、Recognize 與 BatchRecognize 合計 29 個 GA 加 82 個預覽 locale(共 111 個);其中 14 個支援語者分離

規格摘錄自各供應商的文件;供應商沒有公布的項目就直接略過,不自行推測。 完整來源: Chirp 2 · Chirp 3

改一行程式碼就能在兩者之間切換

下面每個頁籤都列了這兩個模型 ID,要改的只有醒目標示的那兩行。端點、金鑰和請求格式都不變。

from openai import OpenAI

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

resp = client.audio.transcriptions.create(
    model="chirp-2",
    # model="chirp-3",  # 取消這一行的註解,並把上一行註解掉
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

取得 API 金鑰 →

常見問題

Chirp 2 和 Chirp 3 哪個比較便宜?

兩者的「每分鐘音訊」同為 $0.016。其他費率與實際用量仍可能影響總費用。

可以只串接一次,就對 Chirp 2 和 Chirp 3 做 A/B 測試嗎?

可以。兩個模型都走同一個 OpenAI 相容端點,用的也是同一把 API 金鑰,切換時只要改一行裡的模型名稱字串。你可以把一部分流量分別導到兩邊,再直接比較帳單。

Chirp 2 和 Chirp 3 支援語者分離嗎?

上方的功能表依各供應商的官方文件,逐一列出每個模型的支援情況。語者分離、串流和時間戳記分開列,是因為這三項各模型的支援程度都不一樣。

相關比較