转录 API 成本实测：7 个模型处理同一组音频

Synthorai 现在支持音频转录，一个兼容 OpenAI 的 endpoint 后面接入了 7 个专用语音转文字模型。

这个 endpoint 屏蔽了大量适配工作，因为这些模型原生接口的差异很大。whisper-1 接收 multipart 文件上传，返回 {text}。gpt-4o-transcribe 使用相同的上传方式，但会额外返回 token 用量。ByteDance 的 seed-asr 使用 BytePlus AUC 协议，Alibaba 的 qwen3-asr-flash 有自己的协议，Google 的 chirp 模型则是通过 OAuth 调用的 Cloud Speech-to-Text 识别器。

endpoint 不同，认证方式不同，响应结构也不同，每个模型都要单独集成。通过网关，只需调用一次兼容 OpenAI 的接口：把 gpt-4o-mini-transcribe 换成 seed-asr-bigmodel 或 chirp-3，其余代码无需改动。

TL;DR

• 7 个专用模型的转录成本相差 8 倍：seed-asr-bigmodel 每音频分钟 $0.0020，chirp 模型为 $0.0164（测量日期为 2026-06-25）。
• seed-asr 无法自动检测语言：不设置 language 时，非英语或中文音频会返回 HTTP 200，但文本为空或变成罗马字母转录，同时仍会计费。
• qwen3-asr-flash 每分钟 $0.0021，是测试中可自动检测所有语言的最便宜模型。
• 只有 gpt-4o 转录模型支持逐 token streaming；按分钟计费的模型只支持 batch。
• 所有模型在清晰的英语、西班牙语和法语语音上都取得了约 0% 的错误率：准确率不是选型时的区分维度。

调用的是兼容 OpenAI 的转录 endpoint。如果已经在使用 Whisper，可以直接替换：

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)

转录文本通过 text 返回，实际计费金额位于响应头 x-total-cost-usd 中。

我们用同一套简单测试跑了全部 7 个模型。下面所有数据都取决于这套测试的设计。

这项测试能说明什么，不能说明什么

我们为全球使用人数最多的 5 种语言分别编写了不含专有名词的日常短文，内容涉及清晨、天气和逛市场等，再用标准文本转语音生成音频，然后交给全部 7 个模型转录。每段音频约 12 到 15 秒，包含大约 40 个按正常语速朗读的词，没有较长静音。编码格式为 16 kHz 单声道 16-bit PCM WAV（256 kbps，每分钟约 2 MB）。原文作为 ground truth，时长精确测量。

这是一组刻意降低难度的样本：音频清晰、内容来自脚本、只有一个说话人，也没有口音、噪声或专业术语。它适合测试不受音频难度影响的指标，包括成本、延迟、模型是否支持某种语言，以及能否 streaming。这些结果比较稳定。

这不是质量 benchmark。真实录音中的口音、背景噪声、领域词汇、多人同时说话和长达一小时的音频，都会拉开模型差距，而清晰语音无法体现这些情况。这里的准确率只能用于检查下限，不能用于模型排名。成本、语言覆盖和 streaming 结果才是可以依赖的基线。

专用 ASR，而非多模态模型

这里测试的 7 个模型都是专用语音转文字系统：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。

网关也可以把转录 endpoint 指向 Gemini 这类通用多模态模型。这类模型在理解音频的同时也能生成转录文本。我们没有纳入这些模型，也不建议将其用于转录。Google 对自家产品线给出的建议相同：Gemini 音频指南将 Gemini 定位为描述、总结音频或回答音频相关问题的工具；如果需要转录本身，则建议使用其他服务：“对于支持实时转录的专用语音转文字模型，应使用 Google Cloud Speech-to-Text API”（即 Chirp 模型）。多模态模型可以输出转录文本，但其目标是理解音频，而不是逐字记录原话。调用方式也是聊天式的 generateContent，而不是转录 API。需要逐字语音转文字时，专用模型才是合适的工具，同时提供两类模型的厂商也持相同观点。

发送音频有 3 种方式：

• 上传文件，batch 返回：上传完整录音，在一次响应中获取完整转录文本。所有模型都支持。
• 上传文件，streaming 返回文本：同样上传完整录音，但生成的转录文本会通过 SSE 持续返回。部分模型支持，其他模型只支持 batch。
• 输入音频流，输出文本流：实时识别麦克风或通话音频。该功能仍在开发中，尚未开放，因此下面只讨论前两种模式。

转录如何计费

计费方式分为两类。按音频分钟计费（whisper-1、seed-asr、qwen3-asr-flash 和 Chirp 模型）：按录音的实际时长收费，与音频内容无关。按 token 计费（gpt-4o 模型）：音频以固定速率 token 化，费用由输入 token 和转录文本的输出 token 共同构成，因此静音多的音频比语音密集的音频便宜。

按 token 计费有一个容易踩的坑：标出的输入价格针对文本，音频价格更高（gpt-4o-mini-transcribe 标价为输入 $1.25/M，但音频实际按 $3/M 计费）。用文本价格估算会低估成本。网关会在 x-total-cost-usd 响应头中返回实际费用，应直接读取该值，不要根据价格页面猜测。

成本

成本是这项测试最容易准确测量、同时差异最大的指标。以下是根据计费响应头计算的每分钟成本（网关后面所有模型的当前价格均可在实时更新的模型页面查看）：

成本相差约 8 倍，从 seed-asr 的每分钟 $0.0020 到 Chirp 模型的 $0.0164。最便宜的 seed-asr 必须明确指定音频语言，后文会详细说明。因此，如果预先知道语言，它最划算。对于语言混杂或未知的音频，最便宜的免配置方案是每分钟 $0.0021 的 qwen3-asr-flash。Chirp 模型明显最贵。如果一定要用 Chirp，应选择 chirp-3：它与 chirp-2 价格和速度相同，但普通话转录效果好得多，准确率表中可以看到这一点。

这些数据在实际文件上的变化方式取决于计费类型。按分钟计费的模型（whisper-1、seed-asr、qwen3-asr-flash 和 Chirp）只看时长，所以费率可直接套用：无论格式和内容是什么，10 分钟音频的成本都是每分钟价格的 10 倍。

按 token 计费的模型（gpt-4o 两行）的输入成本随时长变化，而不是随文件大小变化，因为提供方会先对音频重采样，再进行 token 化。一份体积较大的 320 kbps MP3 和我们使用的精简 16 kHz WAV，如果内容相同，token 成本也大致相同。因此，压缩文件能节省存储，但不会减少转录费用。真正影响按 token 计费金额的是实际语音量。我们的音频语速正常、没有空白段，如果音频中的语音更密集或更稀疏，输出 token 费用会略有升降。无论哪种情况，x-total-cost-usd 响应头都是实际费用的准确信息源。

准确率和语言覆盖

对于英语、西班牙语和法语，所有支持相应语言的模型错误率都约为 0%。这是最低要求，所有模型都达标。即使在这组简单测试中，普通话和印地语也开始暴露差异。不过，这些数据只能提示哪些语言值得重点测试，不能直接作为结论：

这里真正需要关注的不是语言覆盖，而是语言检测。传入 language 参数后，seed-asr 可以转录全部 5 种语言。在后续测试中，它也能处理日语、德语、意大利语和韩语。但它无法自行检测语言：不设置 language 时，英语和中文以外的音频会返回空字符串或罗马字母乱码，HTTP 状态码仍为 200，也不会报错。其他 6 个模型都能自动检测语言。这种静默失败才是关键发现：明确报错只会带来麻烦，静默失败则会造成生产事故。

印地语结果的差距，以及普通话上的失误（chirp-2 为 16%，chirp-3 已修复），说明在信任这些模型之前，应该用更难的语言样本进行测试，并不代表某个模型一定优于另一个。合成语音和评分方式会放大绝对数值，而且不同测试轮次的结果也会变化。合理的结论是：对于主流语言的清晰语音，准确率无法有效区分这些模型，因此这项测试也不能据此推荐某个模型。

Streaming 输出

模型能否 streaming 转录文本属于功能差异，不代表质量高低，而这项能力将这些模型分成了两类。按分钟计费的模型（whisper-1、seed-asr、qwen3-asr-flash 和两个 Chirp 模型）只支持 batch；请求 streaming 时，网关会返回 400。gpt-4o 模型支持逐 token streaming：gpt-4o-transcribe 大约 1 秒就会返回第一批词，随后继续补全剩余内容，适合需要实时感的 UI。streaming 和 batch 的成本相同。要启用 streaming，添加 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"} ...

缓存

这些模型实际上都没有缓存。按分钟计费的模型只看音频时长，因此重复请求没有折扣：我们把同一段音频发送给 whisper-1 5 次，每次费用都完全相同，均为 $0.015478。按 token 计费的 gpt-4o 模型没有列出缓存价格，重复请求的费用也只有正常的运行间波动。因此，应按每分钟费率规划成本；重复发送同一文件不会更便宜。

先筛选什么，哪些必须自己测试

这项测试无法判断哪个模型在你的录音上最准确，但可以在自行评测前帮你确定筛选条件：

• 语言。 确认模型支持所需的每种语言，并检查它能否自行检测语言。seed-asr 能处理我们测试的所有语言，但必须显式传入 language 参数；不传时，非英语或中文音频会静默失败。其他 6 个模型都能自动检测语言，对于混合语言或语言未知的音频，这是更安全的默认选择。
• Streaming。 如果需要实时转录，只有 gpt-4o 模型支持逐 token streaming；按分钟计费的模型只支持 batch。
• 成本。 成本相差约 8 倍。支持全部测试语言且最便宜的模型是每分钟 $0.0021 的 qwen3-asr-flash；Chirp 模型最贵，而在便宜模型之外选择 Chirp 时，只有 chirp-3 值得考虑。没有缓存可以降低费用，因此实际支付的就是每分钟费率。
• 模型类型。 使用专用语音转文字模型，不要使用通用多模态模型。逐字转录应该使用专用工具，同时提供这两类模型的厂商也明确给出了相同建议。

经过这些条件筛选后，剩下的问题就是每个模型对实际音频中的口音、噪声和词汇究竟有多准确。这个问题只能自行测试。任何清晰语音 benchmark 都无法替代在真实录音上运行候选模型。

结论

对于主流语言中清晰、按脚本朗读的语音，7 个模型的准确率几乎相同。这正是本次测试最有价值的结论：准确率不是选型时的区分维度。真正能够确定且差异明显的是基础条件：成本相差约 8 倍，有一个模型只能自动处理两种语言，按分钟计费的模型无法 streaming。先根据这些条件缩小范围，而不是直接宣布哪个模型胜出，再用自己的音频测试剩下的两三个候选模型。通用多模态模型也不应作为首选。转录应使用专用语音转文字模型，同时开发这两类产品的厂商也给出了同样的建议。

来源

• OpenAI：语音转文字指南
• OpenAI：API 定价
• Google：Gemini API 音频理解（专用转录请使用 Cloud Speech-to-Text）
• Google Cloud：Chirp 3 转录模型
• BytePlus：Seed-ASR（ByteDance）概览

成本和延迟数据于 2026-06-25 在 Synthorai 上测得，涵盖 7 个专用转录模型和 5 种语言（英语、普通话、印地语、西班牙语、法语），数据来自 x-total-cost-usd 响应头和 SSE 计时。seed-asr 的语言数据于 2026-07-04 重新测量，当时已设置 language 参数。音频由文本转语音生成，并刻意降低了难度，因此准确率数据只能用于检查下限，不能作为质量 benchmark；带有口音和噪声的真实语音会以不同方式拉开模型差距。延迟会因运行轮次而变化。文中标价为该平台截至当日的费率。依赖这些数据前，请核实当前价格。

← 返回博客