Chirp 3 vs Fun-ASR Flash

vs

什么时候选哪个

两者都按音频分钟计费,fun-asr-flash 便宜 7.6 倍,$0.0021 对 $0.016——但它是更窄的工具:仅同步识别,单个文件最长 5 分钟或 2GB,30 多种语言,不做说话人分离。chirp-3 覆盖 29 个 GA 加 82 个预览语言区,批处理最长一小时并支持实时流,还能在 14 种语言上做分离。大批量短音频选 fun-asr-flash;需要分离、长文件或更宽的语言区列表时选 chirp-3。

价格

Chirp 3 Fun-ASR Flash Δ
每分钟音频 $0.016 $0.0021 7.6×

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 3 · $0.016 Fun-ASR Flash · $0.0021

能力

Chirp 3 Fun-ASR Flash
说话人分离 是 否
流式输出 是 是
时间戳 是 -

规格

Chirp 3 Fun-ASR Flash
输入模态 音频 音频
输出模态 文本 文本
发布日期 2025-10-13 2026-06
限制 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 同步快速识别,单条音频 <=5 分钟 / <=2GB;面向领域术语的上下文注入;30+ 种语言;不支持说话人分离
语言 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 多语言并覆盖方言,与 Fun-ASR 主版本相同的 30 种语言列表:中文(普通话、粤语、吴语、闽南语、客家话、赣语、湘语、晋语及各地口音)、英语、日语、韩语、越南语、泰语、印尼语、马来语、菲律宾语、印地语、阿拉伯语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语、荷兰语、瑞典语、丹麦语、芬兰语、挪威语、希腊语、波兰语、捷克语、匈牙利语、罗马尼亚语、保加利亚语、克罗地亚语、斯洛伐克语

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 3 · Fun-ASR Flash

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-3",
    # model="fun-asr-flash",  # 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 3 和 Fun-ASR Flash 哪个更便宜?

按「每分钟音频」算,Fun-ASR Flash 更便宜($0.0021 对 $0.016,相差 7.6×)。其他计费项的结论可能相反,完整价格见上方表格,实际成本取决于你的用量构成。

不用分别集成两次,就能对 Chirp 3 和 Fun-ASR Flash 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 3 和 Fun-ASR Flash 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