语音转文字 API：14 个模型，每分钟 $0.002 至 $0.016
按标价计算，语音转文字 API 每分钟成本在 $0.002 到 $0.016 之间。同一类任务，价格相差 8 倍，而且多数对比并未覆盖最便宜的档位。我们的一个网关接入了 14 个转录模型，既包括按 token 计费的 OpenAI gpt-4o 系列，也包括国际评测经常忽略的中国 ASR 模型（ByteDance、Alibaba）。本文梳理整个品类：不同计费方式意味着什么、每个模型折算到每分钟多少钱，以及如何按使用场景而不是按品牌选型。
TL;DR
- 14 个模型的每分钟标价从 $0.002（seed-asr、paraformer、fun-asr-realtime）到 $0.016（Google 的 Chirp）不等，相差 8 倍。
- OpenAI 的 gpt-4o 转录模型按 token 而不是按分钟计费；按我们的实测音频换算，mini 约为 $0.0031/min，完整版本约为 $0.0062/min。
- 最便宜的是中国 ASR：ByteDance 的 seed-asr，以及 Alibaba 的 paraformer、fun-asr 和 qwen3 系列，标价均为 $0.002-$0.0021/min，并提供 streaming 版本。
- 对于清晰语音，准确率并不是区分模型的关键；在我们的七模型测试中，所有支持相应语言的模型在英语、西班牙语和法语上的错误率都约为 0%。
2026 年语音转文字 API 多少钱？
要准确回答这个问题，必须看表格，因为计费方式与费率同样重要。按分钟计费的模型只看音频时长，不考虑内容；按 token 计费的模型会先对音频重采样，再按输入和输出 token 收费。后者可以换算为每分钟成本，但会随语音密度小幅变化：
| 模型 | 提供商 | 计费方式 | 标价 | 支持 streaming |
|---|---|---|---|---|
| seed-asr-bigmodel | ByteDance | 按分钟 | $0.002/min | 否 |
| paraformer-realtime-v2 | Alibaba | 按分钟 | $0.002/min | 是 |
| qwen3-asr-flash-realtime | Alibaba | 按分钟 | $0.002/min | 是 |
| fun-asr-realtime | Alibaba | 按分钟 | $0.002/min | 是 |
| fun-asr | Alibaba | 按分钟 | $0.0021/min | 否 |
| fun-asr-flash | Alibaba | 按分钟 | $0.0021/min | 否 |
| fun-asr-mtl | Alibaba | 按分钟 | $0.0021/min | 否 |
| qwen3-asr-flash | Alibaba | 按分钟 | $0.0021/min | 否 |
| gpt-4o-mini-transcribe | OpenAI | 按 token | 实测约 ≈$0.0031/min | 逐 token |
| whisper-1 | OpenAI | 按分钟 | $0.006/min | 否 |
| gpt-4o-transcribe | OpenAI | 按 token | 实测约 ≈$0.0062/min | 逐 token |
| gpt-4o-transcribe-diarize | OpenAI | 按 token | token 费率 | 逐 token |
| chirp-2 | 按分钟 | $0.016/min | 否 | |
| chirp-3 | 按分钟 | $0.016/min | 否 |
每个模型页面都会显示实时标价。gpt-4o 两个模型的 ≈$/min 数字来自我们通过网关对多语言测试音频的实际账单，详见七模型转录测试。上表中的 batch 模型都可以使用同一个 API key，通过兼容 OpenAI 的 /v1/audio/transcriptions 端点调用；我们也确认 diarize 模型支持该端点。名称带 -realtime 的版本属于 streaming 模型，使用独立接口，具体说明见各模型页面。
按 token 计费如何换算成每分钟成本？
按 token 计费的转录成本取决于语音内容，而不是文件大小，实际价格通常位于中间档位。gpt-4o 转录模型会在 token 化前对音频重采样，因此，相同内容使用高码率的 320 kbps MP3 或精简的 16 kHz WAV，成本基本相同。压缩文件只能节省存储，无法降低转录费用。对于正常语速的音频，我们测得 gpt-4o-mini-transcribe 约为 $0.0031/min，gpt-4o-transcribe 约为 $0.0062/min；语音更密集或静音更多时，成本会略有升降。如果预算需要严格限定每小时音频的最高成本，应选择按分钟计费的模型；按 token 计费只能给出预估。
什么是中国 ASR 档位？为什么多数对比没有覆盖？
表格中价格最低、streaming 模型最多的一组来自中国 ASR，但大多数英文评测从未测试过这些模型。ByteDance 的 seed-asr-bigmodel 价格最低，为 $0.002/min。Alibaba 提供三个系列：以 streaming 为主的 paraformer；包含 batch、flash、多语言 mtl 和 realtime 版本的 fun-asr；以及提供 flash 和 flash-realtime 版本的 qwen3-asr。这些模型的价格均为 $0.002-$0.0021/min，相当于 whisper-1 的三分之一、Chirp 的八分之一。
我们的实测也发现了两点限制。第一，seed-asr 需要提前指定音频语言。如果已知语言，它最划算；如果语言未知，qwen3-asr-flash 以 $0.0021 的价格成为测试中能自动识别所有语言的最便宜模型。第二，便宜不等于慢：qwen3-asr-flash 处理测试片段约需 3 秒，与 OpenAI 模型相当。对于以普通话为主的工作负载，这一档位不仅更便宜，也更适合本地语言场景。
应该为工作负载选择哪个模型？
先按计费方式和 streaming 需求筛选。对于清晰语音，准确率不足以区分这些模型。可按场景选择：
| 场景 | 选择 | 原因 |
|---|---|---|
| Batch 转录，语言已知 | seed-asr-bigmodel | 最低 $0.002/min；需要指定语言 |
| Batch，语言混合或未知 | qwen3-asr-flash | 支持自动检测的最便宜模型，延迟约 3 秒 |
| 实时字幕／听写 | paraformer-realtime-v2 或 qwen3-asr-flash-realtime | 以最低档 $0.002 提供 streaming |
| 通过 OpenAI 接口逐步输出文本 | gpt-4o-mini-transcribe | 逐 token 输出，约 ≈$0.0031/min |
| 需要说话人标签 | gpt-4o-transcribe-diarize | 这组模型中唯一支持说话人分离的模型 |
| 直接替换 whisper | whisper-1 | 兼容性基准，价格为 $0.006/min |
如果任务是双向语音对话而非转录，就属于另一类产品，成本结构也不同。语音到语音的费用可参考我们的 GPT Realtime 定价测试。
常见问题
Whisper API 多少钱？
whisper-1 的标价为每分钟音频 $0.006，只按时长计费；无论格式或码率如何，一小时音频都是 $0.36。重复提交没有折扣：我们将同一段音频发送了五次，每次费用都相同。目前表中已有一半模型比它便宜：中国 ASR 的价格为 $0.002-$0.0021/min，只有 whisper 的三分之一；gpt-4o-mini-transcribe 的实测成本约为其一半。
更贵的语音转文字模型更准确吗？
对于清晰语音，不是。在我们的七模型测试中，所有支持相应语言的模型在英语、西班牙语和法语上的错误率都约为 0%。真正需要考虑的是成本、streaming、语言覆盖范围，以及说话人分离等功能。遇到口音、噪声或语言切换等复杂音频时，应使用自己的样本测试。转录测试 展示了模型最先在哪些语言上出现问题；在我们的测试中，是普通话和印地语。
哪些语音转文字 API 支持 streaming？
目前有两种形式。gpt-4o 转录模型通过 OpenAI API 接口逐 token 输出文本。Alibaba 的 realtime 系列（paraformer-realtime-v2、qwen3-asr-flash-realtime、fun-asr-realtime）按分钟计费，价格从 $0.002/min 起。whisper-1、seed-asr 和 Chirp 系列只返回完整转录结果。
全部 14 个模型都可以通过同一个网关端点调用，并统一计费。每个模型的当前标价见实时更新的模型页面；包含延迟和准确率数据的七模型实测对比见转录成本测试。