预录转写 API
异步转写录音与视频，支持 99 种语言，可选说话人分离、PII 脱敏等能力，适合批量处理通话、播客和会议记录。
官方说明 ↗
价格预录转写 Universal-3.5 Pro $0.21/hr、Universal-2 $0.15/hr，按小时计费
平台Web / API
归类配音与音频
收录2026-01-01
复核2026-01-01
编辑评分
4.9 / 5
★★★★☆
AssemblyAI编辑总结
AssemblyAI 由 AssemblyAI 团队打造，是一套面向开发者的语音 AI 基础设施，把预录音频转写、实时转写、语音理解和语音智能体打包成 API。预录 API 支持 99 种语言，Universal-3.5 Pro 异步转写定价 $0.21/小时，Universal-2 定价 $0.15/小时，平台每天处理约 2 million hours 音频。优势是模型分工清晰、按小时计费无并发限制；短板是价格与额度门槛对个人小用量不算低，且官网未公开各模型完整的准确率基准。
AssemblyAI是什么？
AssemblyAI 是一套面向开发者的语音 AI 基础设施，把语音转文本、语音理解和实时语音智能体拆成可单独调用的 API。它服务的是需要把语音能力接进自家产品的工程团队，而不是终端消费者。
目前主力形态是 Universal 系列模型加若干 API：预录转写有 Universal-3.5 Pro（18 种语言、原生 code switching）与 Universal-2（训练数据 12.5 million hours 音频、支持 99 种语言）；实时转写有 Universal-3.6 Pro Realtime、Universal-Streaming 和 Universal-Streaming Multilingual；另有同步转写、Voice Agent API、Speech Understanding API、Guardrails 和 LLM Gateway。平台宣称每天处理 2 million hours 音频，可按需扩展到每月 400,000 小时。
不同角色的用法不同：个人开发者用 Python 或 TypeScript SDK 或 MCP Server 接入即可起步；产品团队通常组合预录转写加 Speech Understanding 提取说话人、情绪、章节和摘要；企业客户则通过 Contact sales 定制并发与速率限制。
AssemblyAI核心功能
实时转写 API
通过 WebSocket 处理实时音频，p50 延迟约 150ms，驱动语音智能体、实时字幕和坐席辅助场景。
官方说明 ↗同步转写 API
单次请求响应即可返回结果，支持最长 120 秒的短音频，无需轮询或 Webhook，适合低延迟的短片段场景。
官方说明 ↗语音智能体 API
全托管语音到语音管线，一次连接同时完成 STT、LLM 推理和 TTS，端到端延迟约一秒，内置轮次检测和打断处理。
官方说明 ↗语音理解 API
在转写之上叠加分析能力，可从音频中提取说话人、情绪、章节、主题和摘要等结构化信息。
官方说明 ↗Guardrails 内容治理
在音频和转写文本上做 PII 脱敏与内容审核，敏感数据不会进入日志或大模型，满足合规团队的数据治理要求。
官方说明 ↗LLM Gateway
用同一个端点路由 GPT、Claude、Gemini 及社区模型，自带兜底逻辑，切换模型或服务中断时无需改动代码。
官方说明 ↗集成与 SDK
提供 Python 与 TypeScript SDK，可通过 MCP Server 接入 Claude Code、Cursor 等兼容 MCP 的编码智能体，也可嵌入已有语音智能体框架。
官方说明 ↗AssemblyAI值不值得用？
当你要把语音转写接进产品、并且需要实时能力时，AssemblyAI 值得优先评估：预录、实时、同步三类转写按场景分工，Universal-3.5 Pro 负责高精度异步场景，Universal-2 用更低价格覆盖 99 种语言，Voice Agent API 还能省掉自己拼 STT+LLM+TTS 的工程量。当用量很小或只需要偶尔转写几段音频时，按小时计费不一定比订阅制划算，建议先算清每小时费用再决定。选 Pro 还是 Universal-2 时只能按小时费率与语言覆盖来权衡。
建议选它的情况
- 需要把实时转写接进语音智能体或实时字幕的团队
- 处理播客、会议、通话录音等批量音频并要说话人分离的场景
- 对并发无上限有要求、从每月 100 小时长到 400,000 小时的产品
- 已在用 Claude Code、Cursor 等 MCP 兼容工具、想快速接转写的开发者
不建议选它的情况
- 只是偶尔手动转写一两段短音频的个人用户
- 需要现成网页端编辑器、不打算写代码的使用者
- 预算极紧、想用固定月费封顶而不是按小时计费的团队
AssemblyAI使用建议
入门先把路子走对
- 先跑通预录接口注册后从预录转写 API 入手，用 Python 或 TypeScript SDK 跑一段短音频，确认返回的转写格式再决定要不要加说话人分离等附加能力。
- 短音频用同步接口音频在 120 秒以内时优先用同步转写 API，一次请求直接拿结果，省掉轮询和 Webhook 的接入工作。
- 用 Keyterms 提准确率行业术语多的场景，把最多 1000 个词或短语写进 Keyterms Prompting，单条短语不超过 6 个词，能明显减少专有名词误识别。
进阶省时间也省钱
- 按场景挑模型18 种语言且要求最高精度的异步转写用 Universal-3.5 Pro（$0.21/hr）；覆盖 99 种语言、单价更敏感时用 Universal-2（$0.15/hr）。
- 实时场景压延迟语音智能体选 Voice Agent API，一条连接完成 STT、推理与 TTS，端到端约一秒；只做实时字幕则用延迟约 150ms 的流式接口。
- 合规需求前置有隐私合规要求时先在管线里接上 Guardrails，音频和转写文本在进入日志或大模型前就完成 PII 脱敏和内容审核。
- 大用量谈定制每月用量到几十万小时、或需要更高并发与速率限制时，走 Contact sales 拿定制方案，而不是继续用标准按量计费。
AssemblyAI适合谁用？
语音智能体开发者
推荐需要 STT、LLM、TTS 串成一条低延迟管线，Voice Agent API 一次连接搞定，省掉自行拼装的工程量。
播客与会议转写团队
推荐批量处理录音，预录 API 支持 99 种语言和说话人分离，适合做转写、摘要和章节切分等下游加工。
呼叫中心与坐席辅助
推荐实时字幕和坐席实时辅助靠流式转写实现，约 150ms 的 p50 延迟是这类场景的关键指标。
需要合规治理的企业
推荐有 PII 和内容审核要求的团队可用 Guardrails 在管线内处理，避免敏感音频进入日志或大模型。
个人偶尔转写
不推荐按小时计费对零星用量不友好，且没有面向非开发者的现成编辑界面，只偶尔用几次并不划算。
预算固定的学生或小团队
有条件没有固定月费封顶，费用随音频时长线性增长，用前要把每小时费率乘上预计时长算清总成本。
AssemblyAI优点和缺点
优点
- 预录、实时、同步三类转写 API 分工明确，按场景选型不用自己搭管线
- 预录转写覆盖 99 种语言，Universal-3.5 Pro 另支持 18 种语言与原生 code switching
- 流式转写 p50 延迟约 150ms，满足实时字幕与坐席辅助的响应要求
- Voice Agent API 一次连接完成 STT、LLM 推理和 TTS，端到端约一秒
- 没有并发限制和节流，可从每月 100 小时扩到 400,000 小时
- 平台每天处理 2 million hours 音频，企业级可用性有实际负载背书
- 提供 Python、TypeScript SDK 与 MCP Server，可直接嵌入现有开发流程
缺点
- 按小时计费没有固定月费封顶，用量大时总成本随音频时长线性上升
- 没有面向非开发者的现成网页转写编辑器，必须走 API 或 SDK
- 选型只能靠语言覆盖和费率
- 除模型与附加项外，官网未公开企业定制的具体价格区间
AssemblyAI版本与计费对比
| 方案 | 价格 | 包含内容 | 说明 |
|---|---|---|---|
| Universal-3.5 Pro | $0.21 /hr | 按量计费 | 精度最高的异步转写模型，支持 18 种语言、原生 code switching 和说话人分离 |
| Universal-2 | $0.15 /hr | 按量计费 | 训练数据 12.5 million hours 音频，支持 99 种语言，价格更低 |
| Custom | 未公开 | 自定义 | 自定义速率限制、更高并发与企业级灵活性，具体价格官网未公开，需 Contact sales |
以上为公开费率整理，厂商保留调价权利，实际以官方页面为准。
AssemblyAI关键指标
| 指标 | 数值 | 数据来源 |
|---|---|---|
| 转写语言数 | 99 | 预录语音转文本 API |
| 流式转写 p50 延迟 | ~150ms | 流式语音转文本 API |
| 同步转写最长音频 | 120 seconds | 同步语音转文本 API |
| 语音智能体端到端延迟 | roughly one second | Voice Agent API |
| Universal-3.5 Pro 费率 | $0.21 /hr | 预录转写定价 |
| Universal-2 费率 | $0.15 /hr | 预录转写定价 |
| 支持语言数 | 18 | Universal-3.5 Pro 模型说明 |
| 训练音频数据量 | 12.5 million hours | Universal-2 模型说明 |
| 每日处理音频量 | 2 million hours | 基础设施说明 |
| 可扩展规模 | from your first 100 hours to 400,000 a month | 定价说明 |
| Keyterms 词表上限 | 1000 words or phrases（maximum 6 words per phrase） | 附加项定价 |
AssemblyAI常见问题
AssemblyAI 怎么收费？＋
按量计费。预录转写里 Universal-3.5 Pro 是 $0.21/hr，Universal-2 是 $0.15/hr；附加项 Keyterms Prompting 在 Universal-3.5 Pro 下为 $0.05/hr、在 Universal-2 下已包含。说明可以先免费试用 API，之后按量付费，没有强制承诺。
现在主力模型是哪个？＋
预录场景的主力是 Universal-3.5 Pro，定位最高精度的异步语音转文本，覆盖 18 种语言、支持原生 code switching；预算优先时用 Universal-2，训练数据为 12.5 million hours 音频、支持 99 种语言。实时场景则用 Universal-3.6 Pro Realtime 和 Universal-Streaming 系列。
能做实时转写吗？延迟多少？＋
可以。流式语音转文本 API 通过 WebSocket 处理实时音频，p50 延迟约 150ms，适合语音智能体、实时字幕和呼叫中心坐席辅助。如果只需要短音频，也可以用同步接口，支持最长 120 秒、单次请求直接返回结果。
最多能扩展到什么量级？＋
官网说明平台没有并发限制、没有节流、没有强制承诺，同一套平台可从每月 100 小时扩展到每月 400,000 小时。超过这个量级或需要更高并发与速率限制时，通过 Contact sales 谈定制。
转写之外还能提取什么信息？＋
Speech Understanding API 在转写之上做语音分析，可提取说话人、情绪、章节、主题和摘要等结构化信息。此外 Guardrails 提供 PII 脱敏和内容审核，LLM Gateway 用同一端点路由 GPT、Claude、Gemini 与社区模型。
怎么接进我现有的开发流程？＋
官方提供 Python 和 TypeScript SDK，可以直接把转写、流式和语音智能体嵌进自己的代码库；也可以直接用原始 HTTP 和 WebSocket API 控制请求与响应。另外通过 AssemblyAI MCP Server 可以接入 Claude Code、Cursor 等兼容 MCP 的编码智能体。
用量很大可以定制吗？＋
可以。官网在预录转写页提供 Custom 选项，内容包括自定义速率限制、更高并发和企业级灵活性，面向大规模 AI 工作负载。具体价格与条款官网未公开，需要走 Contact sales 沟通。
