Chirp 2 vs Chirp 3

vs

什么时候选哪个

两者同为每音频分钟 $0.016,所以更新的 chirp-3 是默认选择:它在 Recognize 和 BatchRecognize 中增加了说话人分离,覆盖 14 种语言,并公布 29 个 GA 加 82 个预览语言区,而 chirp-2 不做分离、StreamingRecognize 只支持 16 个语言区。代价在时间戳和时长——chirp-2 提供词级时间戳、批处理可从 1 分钟到 8 小时,而 chirp-3 把词级时间戳列为不支持、批处理封顶 1 小时。需要词级时间点或超长文件时选 chirp-2。

价格

Chirp 2 Chirp 3 Δ
每分钟音频 $0.016 $0.016 =

价格取自构建时的实时目录,最新价格见各模型页面。

两个模型所处的位置:全部 12 个按同一单位计费的语音转文字模型的每分钟音频价格分布(对数刻度)

Chirp 2 · $0.016 Chirp 3 · $0.016

能力

Chirp 2 Chirp 3
说话人分离 否 是
流式输出 是 是
时间戳 是 是

规格

Chirp 2 Chirp 3
输入模态 音频 音频
输出模态 文本 文本
发布日期 - 2025-10-13
限制 音频解码自动识别;同步 Recognize 支持 <1 分钟,BatchRecognize 支持 1 分钟到 8 小时,StreamingRecognize 用于实时;可选词级时间戳;语言无关转写(模型会推断音频中占主导的语言并以该语言转写);不支持独立的语种检测;不支持说话人分离;支持语音翻译 音频解码自动识别;同步 Recognize 支持 <1 分钟,BatchRecognize 支持 1 分钟–1 小时(带词级时间戳时 <=20 分钟),StreamingRecognize 用于实时;BatchRecognize 和 Recognize 支持说话人分离(14 种语言);语句级时间戳(仅 StreamingRecognize),词级时间戳列为不支持;语言无关转写;29 个 GA + 82 个预览区域设置
语言 因方法而异:BatchRecognize 覆盖最广,Recognize 则「与 Chirp 相当」;StreamingRecognize 限于 16 个区域设置(简体/繁体中文、粤语、英语 AU/IN/GB/US、法语 CA/FR、德语、意大利语、日语、韩语、葡萄牙语(巴西)、西班牙语 ES/US) StreamingRecognize、Recognize 和 BatchRecognize 合计 29 个 GA + 82 个 Preview 区域设置(共 111 个);其中 14 个支持说话人分离

规格照录自各供应商的文档;供应商没有公布的项目,对应的行直接省略,不做推断。 完整来源: Chirp 2 · Chirp 3

改一行代码就能在两个模型之间切换

下方每个标签页里都有两个模型 ID,高亮的那两行是唯一要改的地方。端点不变,API key 不变,请求结构也不变。

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",  # 取消注释此行,注释上一行
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

获取 API key →

常见问题

Chirp 2 和 Chirp 3 哪个更便宜?

两者的「每分钟音频」同为 $0.016。其他费率与实际用量仍可能影响总费用。

不用分别集成两次,就能对 Chirp 2 和 Chirp 3 做 A/B 测试吗?

可以。两个模型走同一个 OpenAI 兼容端点,用同一个 API key,切换时只要改一行里的模型名,所以可以给两个模型各分一部分流量,直接对比账单。

Chirp 2 和 Chirp 3 支持说话人分离吗?

上方的能力表格按各供应商的官方文档,逐个模型回答了这个问题。说话人分离、流式输出和时间戳三项分开列出,因为不同模型在这三项上的支持情况都不一样。

相关对比

我们的实测研究