批量语音转文字
基于 Whisper Large v3 级别模型，配合音频增强与 LLM 后处理，基准准确率 95.1%，8 种语言完整支持，适合高并发批量转写场景。
官方说明 ↗
SaladCloud
AI TOOL PROFILE工具资料基于社区消费级 GPU 的低成本批量转写 API 与分布式 GPU 云
价格转写 $0.16 每音频小时起，GPU 按小时计费
平台API
归类AI 编程
收录2025-01-01
复核2025-06-01
编辑评分
4.5 / 5
★★★★☆
SaladCloud编辑总结
SaladCloud 把社区闲置的消费级 GPU 组成分布式云，转写 API 与 GPU 算力都跑在这套算力上，因此价格明显低于租用数据中心 GPU 的同类服务。转写接口用 Whisper Large v3 级别模型，基准准确率 95.1%、排名第一，支持 97 种语言转英文，批量转写最低 $0.16 每音频小时。短板也清楚：定位是面向高并发批处理的开发者接口，不是给个人用的转写网页，量小时单价更高，中文等非核心语言的转写能力未单独标注。
SaladCloud是什么？
SaladCloud 由 Salad 运营，提供分布式 GPU 云服务，把社区里的消费级显卡聚合成可调度的算力池，再以容器组的方式对外出租。本文介绍的是它面向开发者的转写 API——一个按音频时长计费的语音转文字接口，定位是高并发批量转写。
转写接口的主力模型是 Whisper Large v3 级别，配合音频增强预处理和 LLM 后处理。两个档位：Transcription API 追求准确率，支持 8 种语言；Transcription Lite 用标准准确率与核心语言换取速度，实时倍率达到 40 倍。两者都输出 SRT 字幕、说话人识别与词级时间码。
使用者大致分三类：需要给视频、播客批量上字幕的团队用 Transcription API；对延迟和成本更敏感的流水线用 Lite 档；要把转写嵌进自家产品的开发者，则通过一个 API 接入全部功能，或走 Zapier、Pabbly Connect 连到 Zoom、Notion、Google Drive 等工具。企业客户还可以申请把模型部署在自己机房或 Salad Private Cloud。
SaladCloud核心功能
两档转写模式
Transcription API 以准确率优先，实时倍率 5 倍；Transcription Lite 用标准准确率和核心语言换速度，实时倍率达到 40 倍，适合重速度与成本的流水线。
官方说明 ↗说话人识别与时间码
转写结果带说话人分离和词级时间码，可直接用于会议纪要、访谈整理或需要精确定位的字幕制作。
官方说明 ↗翻译与字幕输出
支持 97 种语言翻译成英文，也能在 8 种支持语言之间互译；输出行业标准 SRT 字幕，音频与视频均可处理。
官方说明 ↗摘要与情感分析
每份转写都可附带 LLM 生成的通话摘要、情绪与情感检测、文本分类，省去在转写之后另接一套分析流程。
官方说明 ↗自定义词表与提示词
可录入行业术语、人名和产品词表提升识别率，也能写自定义 LLM 提示词，按固定结构把转写结果抽取成结构化数据。
官方说明 ↗现成集成
通过 Zapier 和 Pabbly Connect 把 API 接到 Zoom、Notion、Dropbox、Google Drive、YouTube、Vimeo 以及更多工具，不必自己写胶水代码。
官方说明 ↗分布式 GPU 租用
除转写外还按小时出租 GPU 容器组，覆盖 RTX 5090、RTX 4090 等消费级显卡，vCPU 与内存随 GPU 免费附带，优先级分 High、Medium、Low、Lowest 四档。
官方说明 ↗SaladCloud值不值得用？
把高并发批量转写当主力需求时，SaladCloud 值得优先考虑：95.1% 的基准准确率排第一，批量单价压到 $0.16 每音频小时，还带摘要、情感、翻译和 SRT 输出。它的性价比来自跑在社区消费级 GPU 上，比租数据中心卡的对手便宜一大截，失败转写不收费。但如果你只需要偶尔转几个短音频，或者要做中文等非核心语言的转写，就不太合适——它是给开发者调用的 API，不是面向个人的转写工具，核心语言支持范围有限，量小时也拿不到最低档价格。
建议选它的情况
- 每月有数千小时音频要批量转写的团队
- 要自己写代码把转写嵌进产品流程的开发者
- 对单价敏感、能接受标准准确率换速度的批处理场景
- 需要 SRT 字幕、说话人识别和摘要一步到位的视频音频处理
不建议选它的情况
- 偶尔转几个短音频的个人用户
- 需要中文等非核心语言高准确率转写的场景
- 要现成网页界面、不想碰 API 的使用者
SaladCloud使用建议
入门先把路子走对
- 先按量选档位准确率优先选 Transcription API，速度成本优先选 Transcription Lite。先估算每月音频小时数，落在哪个价格区间就直接看对应单价。
- 从文档和迁移指南入手文档里有 Deepgram、Assembly AI、Amazon Transcribe、Google、Azure 的迁移指南，已有转写管线的话照着改比从零接入快。
- 先建自定义词表把行业术语、人名、产品名提前录进词表，再跑第一批音频。领域词汇识别错误往往就集中在这几类词上。
进阶省时间也省钱
- 把量堆到低价档Lite 档 0 至 8,333 小时是 $0.08，16,667 至 33,333 小时降到 $0.03。把可延迟的转写任务攒到月末批量提交，更容易落进低价区间。
- 批处理任务走 Lowest租 GPU 跑重试型批处理或队列后的无状态推理时选 Lowest 优先级，单价最低；代价是可被抢占，单次运行前约 30 分钟会被重新分配。
- 失败任务不必重跑花钱转写按音频时长计费，精确到 0.01 小时（36 秒），失败转写不收费，所以重试的成本只在成功的那次，不用为失败请求额外付费。
- 自建部署问销售如果数据合规要求不能走公有云，企业客户可以申请把模型部署在本地机房、自有云或 Salad Private Cloud，需要直接联系销售谈托管方案。
SaladCloud适合谁用？
播客与视频团队
推荐每月要处理大量音频视频并输出 SRT 字幕，Transcription API 的 95.1% 准确率和词级时间码能省下大量人工校对。
呼叫中心与客服
推荐把通话录音批量转写后直接拿到 LLM 摘要、情绪和情感标注，不必在转写之外再搭一套分析流程。
SaaS 创业者
推荐只需接一个 API 就能在自家产品里加上转写功能，低价档让转写成本随业务量摊薄。
中文内容创作者
有条件完整支持的语言为 8 种，97 种语言只覆盖翻译成英文的场景，中文场景的准确率表现需要另行验证。
偶尔转写的个人用户
不推荐产品形态是开发者 API，最低价格的档位也面向大批量场景，少量零散转写用不上它的成本优势。
SaladCloud优点和缺点
优点
- 基准准确率 95.1%，排名第一，比 Deepgram 高 4.1%
- 批量转写最低 $0.16 每音频小时，成本比多个主流 API 低一半以上
- 失败转写不收费，按音频时长计费精确到 0.01 小时
- 一个 API 覆盖转写、翻译、摘要、情感、SRT 字幕全部功能
- 迁移指南覆盖 Deepgram、Assembly AI、Amazon Transcribe 等，多数团队一天内切换
- 企业客户可自建部署，放在本地机房或 Salad Private Cloud
缺点
- 只有 API，没有面向个人用户的转写网页界面
- 完整支持的语言为 8 种，中文等高需求语言不在已标注范围内
- 最低档价格要到每月 16,667 至 33,333 小时才能拿到
- Medium 与 Low 优先级可被抢占，单次运行前约 30 分钟会被重新分配
- 数据合规与自建部署方案需要联系销售，价格未公开
SaladCloud版本与计费对比
| 方案 | 价格 | 包含内容 | 说明 |
|---|---|---|---|
| Transcription API · 0 至 8,333 小时 | $0.20 / 音频小时 | 每月 0 至 8,333 小时 | 准确率优先档 |
| Transcription API · 8,334 至 16,666 小时 | $0.18 / 音频小时 | 每月 8,334 至 16,666 小时 | 准确率优先档 |
| Transcription API · 16,667 至 33,333 小时 | $0.16 / 音频小时 | 每月 16,667 至 33,333 小时 | 准确率优先档 |
| Transcription Lite · 0 至 8,333 小时 | $0.08 / 音频小时 | 每月 0 至 8,333 小时 | 速度成本优先档 |
| Transcription Lite · 8,334 至 16,666 小时 | $0.05 / 音频小时 | 每月 8,334 至 16,666 小时 | 速度成本优先档 |
| Transcription Lite · 16,667 至 33,333 小时 | $0.03 / 音频小时 | 每月 16,667 至 33,333 小时 | 速度成本优先档 |
| GPU 租用 · RTX 5090 | $0.250 / GPU 小时（Lowest） | 32 GB 显存 | 含 vCPU 与内存 |
| GPU 租用 · RTX 4090 | $0.160 / GPU 小时（Lowest） | 24 GB 显存 | 含 vCPU 与内存 |
| GPU 租用 · RTX 5080 | $0.150 / GPU 小时（Lowest） | 16 GB 显存 | 含 vCPU 与内存 |
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。
SaladCloud关键指标
| 指标 | 数值 | 数据来源 |
|---|---|---|
| 基准准确率 | 95.1% | SaladCloud 转写页 |
| 批量转写最低价 | $0.16 per audio hour | SaladCloud 转写页 |
| 支持翻译语言数 | 97 languages translated to English | SaladCloud 转写页 |
| Transcription API 实时倍率 | 5x real-time speed | SaladCloud 转写页 |
| Transcription Lite 实时倍率 | 40x real-time speed | SaladCloud 转写页 |
| 对 Deepgram 准确率优势 | 4.1% more accurate | SaladCloud 转写页 |
| 对 Deepgram 成本优势 | 38.4% less cost | SaladCloud 转写页 |
| 对 Amazon Transcribe 成本优势 | 89% less cost | SaladCloud 转写页 |
SaladCloud常见问题
转写怎么收费？＋
按音频小时计费。Transcription API 分三档：0 至 8,333 小时 $0.20，8,334 至 16,666 小时 $0.18，16,667 至 33,333 小时 $0.16。Transcription Lite 对应三档为 $0.08、$0.05、$0.03。计费精确到 0.01 小时（36 秒），失败转写不收费，超过 33,333 小时每月需联系销售。
两个转写档位有什么区别？＋
Transcription API 追求准确率，用 Whisper Large v3 级别模型加音频增强和 LLM 后处理，基准准确率排名第一，8 种语言完整支持，速度是 5 倍实时。Transcription Lite 用标准准确率和核心语言，速度达到 40 倍实时，价格也更低，适合速度与成本优先于最后几点准确率的流水线。
和 Deepgram、Assembly AI 比谁更划算？＋
按官方对比，SaladCloud 比 Deepgram 准确率高 4.1%、成本低 38.4%；比 Assembly AI 高 1.7%、成本低 56%；比 Amazon Transcribe 高 5.4%、成本低 89%；比 Google STT 高 4.3%、成本低 83%；比 Azure Batch 高 3.9%、成本低 55%。差价主要来自它跑在社区消费级 GPU 上。
能把模型部署到自己的服务器上吗？＋
可以。企业客户能授权把模型部署在本地机房、自有云或 Salad Private Cloud，托管方案需要联系销售洽谈。对数据不能出境的团队，这是绕过公有云限制的途径。
转写的数据安全怎么保障？＋
文件在隔离环境中处理，基础设施符合 SOC 2 Type I，配端到端加密、数据清洗和访问控制，任务完成后的作业与结果按固定计划删除。
支持哪些语言？＋
Transcription API 完整支持 8 种语言，并可将 97 种语言翻译成英文，8 种支持语言之间可互译。如果主力内容是中文等非核心语言，建议先用实际音频验证准确率再上量。
GPU 和转写是一回事吗？＋
不是。SaladCloud 同时按小时出租 GPU 容器组，覆盖 RTX 5090、RTX 4090 等消费级显卡，vCPU 和内存随 GPU 免费附带，优先级分 High、Medium、Low、Lowest 四档。转写只是跑在这套算力上的一个 API 产品。
SaladCloud竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| SaladCloud本工具 | 4.5 | 转写 $0.16 每音频小时起，GPU 按小时计费 | 批量语音转文字；两档转写模式；说话人识别与时间码；翻译与字幕输出 | API |
| Deepgram本工具 | — | 未标价 | SaladCloud 准确率高 4.1%，成本低 38.4% | — |
| Assembly AI本工具 | — | 未标价 | SaladCloud 准确率高 1.7%，成本低 56% | — |
| Amazon Transcribe本工具 | — | 未标价 | SaladCloud 准确率高 5.4%，成本低 89% | — |
| Google STT本工具 | — | 未标价 | SaladCloud 准确率高 4.3%，成本低 83% | — |
| Azure Batch本工具 | — | 未标价 | SaladCloud 准确率高 3.9%，成本低 55% | — |
这几家都是主流语音转写 API。看重成本和准确率平衡，且能接受按音频小时批量计费，选 SaladCloud，官方对比中它在准确率和成本两项上都占优。已有 Azure 生态或深度绑定 Google 云，迁移成本和平台一致性可能比单价更重要。Deepgram 在实时流式场景积累更久，对延迟极敏感且不需要批量处理时值得对比。已有转写管线要迁移的话，官方提供了 Deepgram、Assembly AI、Amazon Transcribe、Google、Azure 的迁移指南，多数团队一天内可切换。
