2026 年的语音转文字：托管 API，与自己跑的模型

2026 年 8 月，语音转文字这件事你实际能用什么：托管 API，以及可以跑在自己机器上的模型，两边一起比。价格是 2026-08-27 当天从各家定价页读的，榜单数据来自 8 月 28 日那次更新，两者都变得很快。每个数字我都标了是谁发布的，读到一半你就会明白为什么。

让我开始找的那个 bug

一通 87 分钟的两人电话，用会议机器人录的，转写结果看起来很干净：777 句，用词准确，标点也对。然后我发现，这 777 句全被标成了同一个人说的。

转写本身没问题。出问题的是说话人分离（diarization）——判断「谁在什么时候说话」的那一层，在电话这一路彻底失效，把两个人合并成了一个。通常的补救办法是把左右声道拆开分别转写，但这条路也断了：文件是 dual-mono，左右声道相减大约是 −84 dB。两条一模一样的声道，套着一个立体声的壳。

这种故障，看词错误率（WER）是看不出来的。用词确实是对的，坏掉的是下游所有需要知道「这句话是谁说的」的环节。

于是我去找替代方案，结果把整个领域都比了一遍：托管 API，以及可以自己跑的开源模型。2026 年这两边的差距，比我预想的小得多。

先要决定的一件事

在比较任何具体产品之前，先想清楚你在这条线的哪一边，因为它会直接排掉大部分选项。

**用托管 API：**量小或者波动大；想直接拿到说话人分离和流式，不想自己造；需要覆盖很长尾的语种；不想自己养 GPU。

**自己跑模型：**音频不能离开你的基础设施；量大且稳定；想要固定成本而不是一个按小时跳的计价表；想把模型版本钉死，不希望哪天被人下线。

成本的分水岭比多数人以为的要陡，下面会算。先说结论：GPU 满负载时，自托管每音频小时大约比最便宜的托管 API 便宜三十倍；而负载低的时候，它贵得多。

中立榜单怎么说

Hugging Face Open ASR Leaderboard 是这里唯一一份不是由参赛厂商自己发布的排名。模型通过 pull request 提交，评测脚本公开，平均分里有一部分来自 Appen、DataoceanAI 和 Voice Arena 持有的私有数据集——这一点很重要，因为没人能下载的测试集，也就没人能拿去训练。

截至 2026 年 8 月 28 日更新，默认数据集组合上的平均 WER，越低越好：

有两点值得带走。前十二名的差距不到半个百分点，所以这些产品在实际使用中的区别，不管是什么，都不会是英文的整体识别准确率。另外，最强的开源模型排在第七，位置在 AssemblyAI 的旗舰之前——一个你可以下载下来的 2 GB 文件，在一份双方都控制不了的榜单上赢过了商业 API。

另一个意外是 Whisper 的位置。前 40 名里 Whisper 家族只剩 distil-whisper/distil-large-v3.5，排第 37，6.2 WER。如果你上次认真看这块是 2024 年，现在还习惯性地先上 Whisper，这个习惯已经开始要你花钱了。

有一个局限比其余的都重要：这份榜单只覆盖英语和欧洲语言。没有中文，没有日语，没有阿拉伯语，没有印地语。

你可以自己跑的模型

榜上 40 个模型里有 30 个是开放许可证。下面这些是值得知道的，带上吞吐和体积——真正决定你能不能部署的是这两栏：

RTFx 是每一秒钟墙上时间能转写多少秒音频，也就是单卡吞吐。这一栏的跨度极大：parakeet 比 Qwen3-ASR 快大约七倍，代价是 0.7 个 WER 点，而 granite-470m 还要更快。

**在对某个模型上心之前，先看许可证那一栏。**有几个系列会同时放出一个快速版和一个几乎一样的非商用版，名字只差几个字符：

• granite-speech-5.0-470m-turboctc 是 apache-2.0；granite-speech-5.0-470m-turboctc-nc 是 cc-by-nc-sa-4.0。
• canary-1b-flash 是 cc-by-4.0；不带 flash 的 canary-1b 是 cc-by-nc-4.0。
• Zipformer-cr-ctc-transducer-XL-290M 是 cc-by-nc-4.0。

如果你的产品是商用的，榜上看起来最快的几个选项里有三个用不了，而 WER 那一栏完全不会提醒你这件事。

本地模型另一件普遍做不了的事是说话人分离，只有一个例外，下面会说到。

托管 API 这一侧

谷歌其实是三个产品，很多人会混为一谈。Chirp 3 覆盖 111 种语言，但只有 BatchRecognize 支持分离；词级时间戳的文档还自相矛盾——它出现在一张标题为「Chirp 3 doesn’t support the following features」的表里，而同一行的说明却写着可以在 Speech.Recognize 和 Speech.BatchRecognize 里开启，只是会有「some transcription degradation」。Gemini 3.5 Transcribe 在 2026-08-26 进入公开预览，就在我动笔前一天，所以目前还没有任何第三方数字。此外，直接用 Gemini 多模态提示词也能转写，只是输出结构完全取决于你的提示词。

Gemini 3.5 Transcribe 有一个坑，照着它做设计之前最好先知道。它的 smart 模式负责去掉口头禅、整理自我更正，文档对代价写得很直白：

Note: Smart transcription (“smart”) is incompatible with timestamp_granularities and diarization_mode. If you need word timestamps or speaker diarization, configure mode with {"type": "verbatim", ...}.

也就是说，干净好读的文字，和「谁在什么时间说了什么」，同一次调用里只能二选一。而会议纪要类产品恰恰两样都要。

两边各自要花多少钱

托管这一侧，单位是每音频小时的美元，2026-08-27 当天从各家定价页读取：

分离是否打包进基础价，两个方向都不一致，算错账通常就错在这里。Deepgram 离线免费，流式却按 $0.0020/分钟 收；AssemblyAI 两种模式都是 $0.02/小时。Gladia 的 $0.61/小时 是表里最贵的离线价，大约是 Deepgram 的三倍，只有承诺量方案才降到 $0.20。Google Cloud 的动态批处理 $0.18/小时 是表里最低的托管价，代价是按「较低的紧急程度」排队。Gemini 那一格是谷歌自己的估算——它按 token 计费，页面把它折算成「an effective blended rate of ~$0.005 per min for Transcribe」。

自托管也可以用同一个口径算，因为榜单同时公布了吞吐和测试硬件。那些 RTFx 数字来自单张 NVIDIA H200 上的运行，Hugging Face Jobs 对这张卡的标价是 $5.00/小时。既然 RTFx 就是「每墙上小时能处理多少音频小时」，每音频小时的成本就是 $5.00 ÷ RTFx：

对比最便宜的托管价 $0.18/小时，自托管 Qwen3-ASR 大约便宜三十倍，parakeet 便宜两百倍以上。榜单维护者自己公布的实际运行开销也在同一个量级：parakeet-tdt-0.6b-v3 跑完一整轮英文短音频评测 $2.92，Qwen3-ASR-1.7B $5.58。

问题在于利用率，而这才是决定性的。上面这些数字的前提是 GPU 一刻不闲。按 $5.00/小时 包一张 H200 一个月，就是 $3,600，无论你喂给它 3000 小时音频还是 3 小时。以 Qwen3-ASR 对比谷歌 $0.18/小时 的批处理档，盈亏平衡点大约落在每月两万音频小时；低于这个量，托管更便宜，而且你还省掉了运维。把工程师时间算进去，这条线还要再往上抬。

会坏的是说话人分离

上面所有内容都是关于「把词识别对」，而这部分基本已经解决了。「知道是谁说的」没有。

有两个指标会被引用，而它们互相打架，所以你至少要知道自己看的是哪一个。DER（分离错误率）按时间算：把漏检、误检成语音、以及归错人的秒数加起来，除以总语音时长。它只衡量切分，完全不管词。cpWER（拼接后取最优置换的词错误率）按词算：把每个说话人说的内容各自拼起来，穷举你的标签到真实说话人的所有映射，取最好的一种，再算 WER。它把转写错误和归属错误一起算在你头上。

这个区别，AssemblyAI 讲得比我读到的任何人都清楚：

DER is a fine academic metric, but it measures diarization in isolation from the transcript. In production what you care about is whether the right speaker label lands on the right words—which is what cpWER measures. Keep that distinction in mind, because it changes how the leaderboard looks.

这话是对的，也很顺手——因为在它自己发布的那张 cpWER 表上，AssemblyAI 排第一。指标往往跟着产品走：pyannoteAI 只卖分离、不产出转写稿，DER 根本就是它的产品唯一能被打分的东西。

更有用的数字是「所有人都有多差」。在 pyannoteAI 自己的流式评测里——一张由最后的冠军做的图——冠军的成绩是 19.8% DER，也就是大约每五秒语音里仍有一秒是错的。难音频上更糟：餐厅场景 54.4% DER，会议 44.6%，网络视频 44.9%，竞品在这三个场景里落在 51% 到 76% 之间。

没有人解决了这个问题。产品要能扛住标签有时候是错的。

本地部署的选择更少，但确实存在。pyannote 的开源 Community-1 是给任何自身不带分离的 ASR 模型配的标准搭档，在 pyannoteAI 自家的 DIHARD Broadcast 图上它是 10.5% DER，付费的 Precision-2 是 9.4%——差距小到免费版完全可以当默认选项。更有意思的是 MOSS-Transcribe-Diarize：Apache-2.0、0.9B，端到端一遍就同时做转写和分离，覆盖 50+ 语言，支持最长 90 分钟的录音，直接输出带时间戳和 [S01]／[S02] 标签的稿子。它拿了 INTERSPEECH 2026 第二届 MLC-SLM 挑战赛第一名。

这条正好回答了开头那通电话：87 分钟、两个人，一个可以跑在自己机器上的 0.9B 模型，一遍就能处理完。

中文与多语言

中立榜单根本没有中文这一栏，所以这部分你最需要自己动手，而厂商页面在这里恰恰最不可靠。

ElevenLabs 的普通话页面是最清楚的例子。它的宣传文案说 Scribe 达到「a word error rate of just 3.1% on the FLEURS benchmark and 5.5% on Common Voice」，而同一页往下几百像素的评测表里写着 Scribe v1 在 FLEURS 上 7.2% WER。同一页自相矛盾，差了两倍多。那张表还给 Deepgram Nova 2 记了「98.2% WER」——这个数字意味着几乎全错，更可能的解释是当时根本不支持这个语种。而且表里标的还是 v1，在售的产品已经是 v2 了。

这里最强的选择在本地。Qwen3-ASR 是阿里 2026-01-29 发布的 Apache-2.0 模型，有 0.6B 和 1.7B 两个尺寸，外加一个做时间戳的强制对齐模型，覆盖 52 种语言和方言，其中包含 22 种中国方言——粤语、吴语、闽南语都在内，这一点这里基本没有别的选项能做到。阿里自己报的数字，也确实是阿里自己报的：AISHELL-2 上 2.71，Whisper large-v3 是 5.06；粤语 Fleurs-yue 上 3.98 对 9.18。

有两件事让我没把它归进厂商宣传那一堆。在 Open ASR Leaderboard 上它英文总榜第七、4.95，排在 AssemblyAI 旗舰之前，并且在私有对话集上拿到全场最好成绩——那是它不可能训练过的数据。另外，布朗大学的科研计算中心在自己的转写服务里推荐用 Qwen3-ASR 处理嘈杂环境和非英语方言，而他们在这件事上不卖任何东西。

语言混说

对于一句话里混用多种语言的音频，宣传跑在证据前面。Gladia 宣称 Solaria-1 覆盖 100+ 种语言并原生支持语言混说，其中 42 种「别处没有」。AssemblyAI 说 Universal-3.5 Pro 「across 18 languages, with native code switching」。Gemini 3.5 Transcribe 能在 85+ 个语言区自动检测。

我没能找到任何一份中立评测，对这些产品在混说音频上打过分。现有的公开研究资源是 CS-Dialogue：104 小时中英混说的自然对话，来自 200 位说话人，供学术使用；作者也指出 Whisper 这类预训练模型在上面仍有提升空间。另外还有一篇 2025 年的系统性文献综述，适合用来建立框架。

如果你要做这件事，没有任何已发表的数字能替你决定。拿 CS-Dialogue，或者你自己的音频样本，去跑两三家候选。

我会怎么选

这里没有单一冠军，所以按场景分开说。

**量大且稳定，英文。**自托管 parakeet-tdt-0.6b-v2，每音频小时约 $0.0008。它只支持英文、cc-by-4.0，RTFx 6025 意味着一张卡能覆盖极大的量。需要多语种就换 -v3，代价约 0.2 个 WER 点。

**量大且稳定，多语种。**Qwen3-ASR-1.7B，Apache-2.0，52 种语言，中立榜单第七，自托管每音频小时约 $0.006。

**量小或波动大。**留在托管这一侧，GPU 空转会把模型上的优势全吃掉。Deepgram $0.26/小时、离线自带分离，是最不容易出意外的默认选择；能接受旧一代模型的话，AssemblyAI Universal-2 的 $0.15 + $0.02 更便宜。

多人音频且归属重要。卡点是分离质量，不是 WER。走托管就交给 pyannoteAI，或者用打包了 Precision-2 的 Gladia；本地就用 MOSS-Transcribe-Diarize，或者给任意 ASR 模型配 pyannote Community-1。无论哪条路，都要为重叠语音的失败留余量：19.8% DER 已经是公开的最好流式成绩。

很多人同时抢话。布朗大学 CCV 的文档推荐微软 Azure，这是我在这个问题上找到的唯一一条非厂商建议；Azure 2026 年 6 月的模型在榜上排第六。

**中文为主。**Qwen3-ASR-1.7B 自托管，再配一个分离模型。它是这里唯一真正覆盖中国方言的选项。不要照着厂商的普通话页面选型。

**音频不能出网。**本地表里任何 Apache-2.0 或 MIT 的那几行。这也是唯一一种账单不再随音频时长线性增长的情况。

**只要最便宜。**留在托管就选 Google Cloud STT v2 动态批处理 $0.18/小时；自托管就选 granite-5.0-470m-turboctc，每音频小时 $0.0004——记得确认你拿的是 apache-2.0 那个版本，不是 -nc。

**最后回到开头那个 bug：**如果录制端在你手里，就按参与者分轨录，别把采集阶段本来就能留住的信息，丢给分离模型去还原。

带着怀疑读这些数字

上面这些表格之外，有一件事值得记住：几乎每一篇「2026 最佳语音转文字 API」都是由对比中的某一家发布的，而我查的五份里有四份把自家排在第一。AssemblyAI 的榜单在 cpWER 上把 AssemblyAI 排第一。pyannoteAI 的评测在 DER 上把 pyannoteAI 排第一，并且把 AssemblyAI 的 Universal-3 排在十二个系统的最后——31.1% DER，对上 pyannoteAI 自己的 9.4%。Deepgram 的指南在十家里把 Deepgram 排第一。Gladia 的把 Gladia 排第一。

同一个评测名字底下也会打架。Gladia 报告 Solaria-3 在 Earnings22 上以 6.4% WER 排第一，领先 AssemblyAI 的 6.9% 和 ElevenLabs 的 7.7%。而在中立榜单的 Earnings22 那一栏里，ElevenLabs 是 4.8，Gladia 是 5.94，AssemblyAI 是 6.05。顺序整个反过来，绝对值也对不上，因为两套评测流程根本不是同一套。

有两个例外。Coval 的选型指南出自一家卖评测工具而不是卖模型的公司，它干脆不点名冠军，只说头部厂商彼此相差「within 1-2 percentage points」。另一个是 Picovoice：它卖 Falcon，拿 Falcon 和 pyannote 对比，然后明确表示不评冠军——「Our goal was not to crown a single ‘winner’, but to understand tradeoffs between research accuracy and production efficiency.」它自己的数字里，pyannote 的 DER 优于 Falcon，9.0% 对 10.3%。这是这次调研里唯一一家发布了自家产品输掉的评测的厂商。

所以：先看发布方，再看图表；确认它选了哪个指标；再问数据集能不能被指名——「我们内部的、跨多个真实数据集的评测」不是任何人能核对的结果。

我起初拿到的线索里，有好几条打开原始出处后就散了：一张 cpWER 表被归给了错误的发布方；一项「包含在内」的分离其实要另外付费；一个价格差了三倍；一份榜单的第一名早已掉到第十二；还有一个「WER 下降 55%」的说法，在被引用的那篇论文里根本找不到。这些说法读起来都完全合理。这正是这个品类最麻烦的地方——合理是很廉价的，真数字和编出来的数字之间，唯一的区别就是你有没有真的去看一眼。

参考资料与原文定位

厂商发布的评测与选型文章

• AssemblyAI（对比中的厂商）——原始出处：“8 Best Speaker Diarization Solutions & APIs in 2026”，作者 Kelsey Foster，日期 2026 年 8 月 4 日。支持段落：「DER is a fine academic metric, but it measures diarization in isolation from the transcript. In production what you care about is whether the right speaker label lands on the right words—which is what cpWER measures. Keep that distinction in mind, because it changes how the leaderboard looks.」对比表列出 AssemblyAI 30.17、ElevenLabs Scribe v2 35.26、Gladia 36.87、Deepgram Nova-3 EN 37.92，而 PyAnnote、NVIDIA NeMo、Kaldi/SpeechBrain 一律标为「DER-reported only」。数据集说明：「The cpWER numbers come from our internal diarization benchmark, run across a mix of real-world datasets.」作者披露：「I run Voice AI at AssemblyAI.」——读取于 2026-08-27
• pyannoteAI（对比中的厂商）——原始出处：Speaker Diarization DER performance comparison。只报告 DER，覆盖十个 DIHARD 场景、259 段录音、约 67 小时音频。各场景结果以图片形式发布，没有文字替代内容，以下数值系从图片中读取。DIHARD Broadcast（12 段对话，3 至 4 人）：pyannoteAI Precision-2 9.4%、pyannoteAI OSS Community-1 10.5%、NVIDIA 10.3%、AWS 16.5%、Speechmatics Enhanced 16.8%、Gladia Solaria 22.0%、Mistral Voxtral Mini 22.7%、Speechmatics Standard 24.5%、Soniox 25.2%、ElevenLabs Scribe-v2 26.4%、Deepgram Nova-3 26.9%、AssemblyAI Universal-3 31.1%。DIHARD Clinical（51 段对话，2 至 3 人）：Precision-2 13.3%，AssemblyAI Universal-3 48.1%。方法说明：「We did not provide the number of speakers for any of them.」——读取于 2026-08-27
• pyannoteAI（对比中的厂商）——原始出处：“How accurate is streaming speaker diarization?”，页面未标注日期。DIHARD III 全语种 DER：pyannote API 19.8%（误报 4.8、漏检 7.7、混淆 7.3）；Speechmatics real-time v2 31.3%（6.2 / 19.7 / 5.5）；Deepgram Nova 3 39.1%（4.6 / 25.3 / 9.3）；AssemblyAI Universal Streaming v3 39.2%（6.9 / 20.4 / 11.8）。支持段落：「pyannote leaves 7.71% of speech unattributed, while the other systems miss between 19.70% and 25.26%, roughly 2.5 to 3 times more.」pyannote Live-1 在难场景的数值：餐厅 54.4%、网络视频 44.9%、会议 44.6%。方法学提示：「measured on DIHARD without special scoring for overlapped speech」——读取于 2026-08-27
• Deepgram（对比中的厂商）——原始出处：“Best Speech-to-Text APIs 2026”。作者 Jose Nicholas Francisco，产品市场经理，页面标注「UPDATED Feb 19, 2026」。导语称文章对主流 API 进行比较，「ranking them based on accuracy, features, and real-world performance」。排序由带编号的小标题承载，这些标题存在于页面标记中但不出现在渲染后的正文文本里，因此文内链接落在导语上：1. Deepgram、2. OpenAI Whisper、3. Microsoft Azure、4. Google Cloud、5. AssemblyAI、6. Amazon Transcribe、7. Rev AI、8. Speechmatics、9. IBM Watson、10. Kaldi。我在页面上找不到任何支撑该排序的分厂商 WER 数值——读取于 2026-08-27
• Gladia（对比中的厂商）——原始出处：“Best speech-to-text APIs in 2026”，作者 Ani Ghazaryan，标注「Published on Jul 9, 2026」。文章开篇即写「Every speech-to-text vendor claims the lowest word error rate…」，随后把 Gladia 排在第一。支持段落：「Solaria-1 is our breadth model, the most multilingual in the lineup, with 100+ languages and native code-switching across all of them, including 42 languages unavailable elsewhere」；Solaria-3「ranks #1 across English and core European languages (EN, FR, DE, ES, IT), ahead of AssemblyAI, ElevenLabs, Deepgram, Mistral, and Speechmatics」；Solaria-1「leads outright on speaker diarization accuracy: 3x more accurate diarization error rate (DER) than alternatives」；以及「Gladia’s audio intelligence features are bundled into base pricing, covering code switching, speaker diarization…」——读取于 2026-08-27
• Gladia（对比中的厂商）——原始出处：“Introducing Solaria-3”，作者 Ani Ghazaryan，日期 2026 年 6 月 10 日。称 Solaria-3 在 Earnings22 上以 6.4% WER 排名第一，领先 AssemblyAI 6.9%、ElevenLabs 7.7%、Speechmatics 7.8%、Mistral 7.9%、Deepgram 12.0%；在 Gladia 内部英语生产数据集上 9.6% WER，较 Solaria-1 的 12.9% 提升 26%。本文引用的 Solaria-1 语言与语码转换宣称出自 Gladia 另一篇选型文章，不在本篇——读取于 2026-08-27
• Picovoice（对比中的厂商，销售 Falcon）——原始出处：“State of Speaker Diarization”，发布于 2023 年 12 月 18 日，2026 年 3 月 11 日更新。在 VoxConverse 上：pyannote DER 9.0%，Falcon 10.3%；Falcon JER 19.9%，pyannote 27.4%。支持段落：「Our goal was not to crown a single “winner”, but to understand tradeoffs between research accuracy and production efficiency.」在本文涉及的厂商里，只有 Picovoice 发布了一份自家产品在主指标上落后的评测——读取于 2026-08-27
• ElevenLabs（厂商）——原始出处：普通话语音转文字页面。正文声称「a word error rate of just 3.1% on the FLEURS benchmark and 5.5% on Common Voice」。同一页的「Mandarin Chinese Transcription Benchmark」表格则列出 Scribe v1 在 FLEURS 上 7.2% WER、Gemini Flash 2 17.6%、Whisper Large v3 23.6%、Deepgram Nova 2 98.2%。本文引用它是作为「厂商评测自相矛盾」的证据，而非作为中文准确率数据——读取于 2026-08-27；最近的存档快照为 2026-07-25

独立与非厂商来源

• Hugging Face——原始出处：Open ASR Leaderboard，页面标注「Last updated on 28 August 2026」。排名于实时 Gradio 应用中读取，并开启 License、Size (B)、# Languages 三列：reson8/resonant-1 4.77、modulate/vfast 4.78、reson8/resonant-1-flash 4.79、elevenlabs/scribe_v2 4.84、zoom/scribe_v1 4.90、microsoft/azure-speech-06-2026 4.91、Qwen/Qwen3-ASR-1.7B-hf 4.95（apache-2.0，2.04B，52 种语言，RTFx 819.96）、assemblyai/universal-3-5-pro 5.02、AutoArk-AI/ARK-ASR-3B 5.18、HojoAI/Hojo-ASR-V1 5.21、gladia/solaria-3 5.22、nvidia/canary-qwen-2.5b 5.23。再往下：ibm-granite/granite-speech-4.1-2b 5.43（RTFx 545.65）、nvidia/parakeet-tdt-0.6b-v2 5.48（RTFx 6024.67，cc-by-4.0，0.6B，1 种语言）、OpenMOSS-Team/MOSS-Transcribe-Diarize 5.52（RTFx 381.16，apache-2.0，0.91B，50 种语言）、ibm-granite/granite-speech-5.0-470m-turboctc-nc 5.55（cc-by-nc-sa-4.0）、nvidia/parakeet-tdt-0.6b-v3 5.66（RTFx 6076.07，26 种语言）、Qwen/Qwen3-ASR-0.6B-hf 5.70、nvidia/canary-1b-flash 5.71（cc-by-4.0）、microsoft/Phi-4-multimodal-instruct 5.72（mit）、nvidia/canary-1b 5.76（cc-by-nc-4.0）、ibm-granite/granite-speech-5.0-470m-turboctc 5.78（apache-2.0，RTFx 12945.54）、mistralai/Voxtral-Small-24B-2507 5.79（RTFx 101.27），以及排在第 37 位的 distil-whisper/distil-large-v3.5 6.20，这是表中唯一的 Whisper 家族条目。40 行中有 30 行为非专有许可证。范围说明：「evaluates open-source and proprietary speech recognition models on English and multiple European languages.」私有数据集来自 Appen Inc.、DataoceanAI 与 Voice Arena——读取于 2026-08-31
• Coval——原始出处：“Best Speech-to-Text Providers in 2026”，日期 2026 年 6 月 4 日。Coval 卖的是语音智能体的仿真与评测工具，不卖语音转文字模型，因此不在自己的对比中参赛——不过读者若因此认为「应该多做评测」，它同样受益。值得注意的是，它没有点名冠军，而是称头部厂商彼此相差「within 1-2 percentage points of each other」——读取于 2026-08-27
• 布朗大学计算与可视化中心（Brown University Center for Computation and Visualization）——原始出处：Comparing Speech-to-text Models。这是一所大学的科研计算服务，不销售任何语音转文字产品。支持段落：「if the accuracy of speaker diarization is a priority and/or the audio includes many speakers talking over each other, please choose the Microsoft Azure model for better performance.」该页同时推荐用 Qwen3-ASR 处理嘈杂环境与非英语方言。有一处内部不一致值得记下：正文推荐 Azure，但该页自己的对比表里并没有 Azure——读取于 2026-08-27

定价页面

• AssemblyAI——原始出处：Pricing。离线：Universal-3.5 Pro $0.21/小时，Universal-2 $0.15/小时。流式：Universal-3.5 Pro Realtime $0.45/小时，Universal-Streaming $0.15/小时。在「Add-On Features」标签页下，Speaker Diarization 在 Universal-3.5 Pro 与 Universal-2 上均为 $0.02/小时；keyterms prompting 在 Universal-3.5 Pro 上为 $0.05/小时，在 Universal-2 上包含。Universal-3.5 Pro「works across 18 languages, with native code switching」；Universal-2「supports 99 languages」。免费额度：离线 185 小时、流式 333 小时——读取于 2026-08-27
• Deepgram——原始出处：Pricing。Pre-Recorded 标签页：Nova-3 单语 $0.0043/分钟（$0.258/小时），Nova-3 多语 $0.0052/分钟，Speaker Diarization 标注为「Included」。Streaming 标签页：Nova-3 单语促销价 $0.0048/分钟，原价 $0.0077/分钟，Speaker Diarization 为 $0.0020/分钟（$0.12/小时）。页面写明「Limited-time promotional rates on streaming.」——读取于 2026-08-27
• Gladia——原始出处：Pricing。Starter：「Async at $0.61/hr」「Real-time at $0.75/hr」，附「50€ in free credits」。Growth：「Async as low as $0.20/hr」「Real-time as low as $0.25/hr」。说话人分离、100 多种语言与词级时间戳在所有档位均列为包含。FAQ 说明免费额度为「a one-time grant with no monthly reset. That’s roughly 80+ hours of pre-recorded transcription」——读取于 2026-08-27
• ElevenLabs——原始出处：API pricing。Scribe v2 $0.22/小时，Scribe v2 Realtime $0.39/小时。列出的附加项为实体识别 $0.070/小时与 keyterm prompting $0.050/小时；页面上没有出现任何单独的说话人分离收费项——读取于 2026-08-27
• Google Cloud——原始出处：Speech-to-Text pricing。Speech-to-Text V2 标准识别：每月前 50 万分钟 $0.016/分钟（$0.96/小时），随用量分档降至 $0.010、$0.008 与 $0.004/分钟。标准动态批处理识别：$0.003/分钟（$0.18/小时），页面描述为以「a lower level of urgency」处理音频。Chirp 列在「Standard」模型之中。页面上没有出现单独的说话人分离收费项——读取于 2026-08-27；Archive.org 的保存接口拒绝了该网址，最近的既有快照为 2026-08-25
• Google——原始出处：Gemini API pricing。语音转文字按 token 计费而非按分钟，页面只给出折算后的综合费率。支持段落：「Estimated pricing is based on 25 audio tokens per second for input and 175 text tokens per minute for output, for an effective blended rate of $0.005 per min for Transcribe」；gemini-3.5-transcribe-live 则为「$0.009 per min for Live Transcribe」。本文的每小时价格即由上述综合费率乘以 60 得出；页面并未公布这两个转写模型的输入/输出分项单价，因此本文也不引用任何分项数字——读取于 2026-08-27

谷歌产品文档

• Google——原始出处：Gemini 3.5 Transcribe 发布公告，发布于 2026 年 8 月 26 日。宣布 gemini-3.5-transcribe 与 gemini-3.5-transcribe-live 进入公开预览，支持「over 85 languages」；并称「As measured by Artificial Analysis」，流式平均 WER 4.0%、非流式 2.6%，FLEURS 上 5.50%/5.04%——这些数字由谷歌归于第三方评测方而非自家流程——以及相对 Chirp 3 有 70% 的延迟改进。该文描述多说话人识别「for up to three speakers (support for 3+ speakers is experimental)」，比 API 文档给出的数字更窄——读取于 2026-08-27；存档快照 2026-08-27
• Google——原始出处：Gemini API 音频转写文档。逐字支持段落：「Note: Smart transcription (“smart”) is incompatible with timestamp_granularities and diarization_mode. If you need word timestamps or speaker diarization, configure mode with {“type”: “verbatim”, …}.」；「Up to 8 speakers are supported (attribution for 3 or more speakers is experimental).」；「Supply up to 1,000 terms in the custom_vocabulary array (best results are typically achieved with up to 100 terms)」；「Note: Enabling word-level timestamps may degrade overall transcription accuracy.」——读取于 2026-08-27
• Google——原始出处：Chirp 3 模型文档。语言表共 111 行：29 行标记 GA、82 行标记 Preview（由表格直接计数得出）。Speaker Diarization 标注为「Available only in Speech.BatchRecognize」，状态 GA；句级时间戳为「Available only in Speech.StreamingRecognize」。词级时间戳出现在一张以「Chirp 3 doesn’t support the following features」为引导的表中，但该行自身的说明写着「Automatically generated by the model and can be optionally enabled, which some transcription degradation is expected. Available only in Speech.Recognize and Speech.BatchRecognize」——页面自相矛盾，本文如实并列两种说法，不作裁定——读取于 2026-08-27

开源模型与研究文献

• 阿里巴巴通义千问团队（就其自家模型而言属厂商）——原始出处：Qwen3-ASR 代码仓库。Apache-2.0 许可。2026 年 1 月 29 日发布 0.6B 与 1.7B 两个尺寸，另有用于时间戳的 Qwen3-ForcedAligner-0.6B；2026 年 6 月 26 日加入原生 Transformers 支持。覆盖 52 种语言与方言，其中 22 种为中文方言（含粤语港澳口音与广东口音、吴语、闽南语）。Qwen 自报的 Qwen3-ASR-1.7B 对 Whisper large-v3 成绩：AISHELL-2-test 2.71 对 5.06；Fleurs-yue 3.98 对 9.18；Librispeech clean 1.63 对 1.51。对 GPT-4o-Transcribe 的 M4Singer：5.98 对 16.77。文档未提及说话人分离——读取于 2026-08-27；Archive.org 的保存接口拒绝了该网址，最近的既有快照为 2026-07-29
• Gladia——原始出处：“Gladia x pyannoteAI: Speaker diarization and the future of voice AI”，日期 2025 年 3 月 11 日。支持段落：「Our speaker diarization pipeline is now powered by pyannoteAI’s Precision‑2, their most accurate model to date.」该文未说明分离是打包还是另计费；本文价格表中的打包信息来自 Gladia 的定价页——读取于 2026-08-27；Archive.org 的保存接口拒绝了该网址，最近的既有快照为 2025-06-17
• 周家鸣（Jiaming Zhou）等——原始出处：“CS-Dialogue: A 104-Hour Dataset of Spontaneous Mandarin-English Code-Switching Dialogues for Speech Recognition”，arXiv，2025 年 2 月 26 日提交，3 月 12 日修订。包含 200 位说话人的 104 小时自发对话，提供完整长对话录音与全部转写文本，面向学术用途免费开放。摘要指出「existing pre-trained models such as Whisper still have the space to improve」——读取于 2026-08-27
• Maha Tufail Agro、Atharva Kulkarni、Karima Kadaoui、Zeerak Talat、Hanan Aldarmaki——原始出处：“Code-Switching in End-to-End Automatic Speech Recognition: A Systematic Literature Review”，arXiv，2025 年 7 月 10 日提交。系统综述，覆盖语言、数据集、指标、模型选择与开放挑战。本文仅将其用作背景：其摘要并未给出单一的 WER 下降幅度数字——读取于 2026-08-27
• Hugging Face——原始出处：open_asr_leaderboard 代码仓库。在「Evaluate a model (as of 24 July 2026)」一节中：英文与多语种短音频评测「use Hugging Face Jobs to guarantee reproducibility: every run executes a Docker image on the same hardware」。硬件表只列出一种规格——「h200 | Nvidia H200 | 23 vCPU | 256 GB | 3000 GB | 1x H200 (141 GB) | $0.0833［每分钟］| $5.00［每小时］」。文中还给出英文短音频完整评测的实际开销示例：「$2.92 for nvidia/parakeet-tdt-0.6b-v3」「$4.75 for openai/whisper-large-v3-turbo」「$5.58 for Qwen/Qwen3-ASR-1.7B」。本文自托管的每音频小时成本，是用 $5.00 除以各模型公布的 RTFx 得出，前提是 GPU 持续满载——读取于 2026-08-31；Archive.org 的保存接口拒绝 github.com，故未附快照
• OpenMOSS Team——原始出处：MOSS-Transcribe-Diarize 模型卡，许可证 apache-2.0。原文：「MOSS-Transcribe-Diarize 0.9B is an end-to-end audio understanding model for long-form multi-speaker transcription, diarization, timestamps, and acoustic event awareness」；「It supports transcription and diarization across 50+ languages, single-pass inference on audio recordings up to 90 minutes long, and custom hotword prompting for domain-specific terms」；模型「generates a compact speaker-aware transcript in one pass, including timestamps and anonymous speaker labels such as [S01], [S02], and beyond」。模型卡记载它「won first place in the 2nd MLC-SLM Challenge at INTERSPEECH 2026」——读取于 2026-08-31