语音识别模型对比

做会议转写、字幕生成或者客服录音分析时，常卡在同一个问题：一堆语音识别模型摆在面前，看榜单都差不多，报价单位却各不相同，有按分钟、有按音频小时、有按字符，根本没法横着比。这篇不给你一个「谁最强」的结论，而是给一套能自己动手的流程：先定你的音频条件，再定计费口径，最后留一个可回退的备选。照着走一遍，你至少能说清为什么选它。

做会议转写、字幕生成或者客服录音分析时，常卡在同一个问题：一堆语音识别模型摆在面前，看榜单都差不多，报价单位却各不相同，有按分钟、有按音频小时、有按字符，根本没法横着比。这篇不给你一个「谁最强」的结论，而是给一套能自己动手的流程：先定你的音频条件，再定计费口径，最后留一个可回退的备选。

照着走一遍，你至少能说清为什么选它。很多团队选型失败不是因为模型差，而是测试集用的是一段安静朗读音，上线后遇到电话录音就崩了。下面四节按顺序来：准确率看条件、成本统口径、自建还是调接口、最后一张选型清单。

准确率不是单一数字，先对齐你的音频条件

公开榜单考的往往是干净朗读音，你的场景多半是带口音、有背景噪声、多人抢话，两者差距可能大到结论反转。纯近场单人录音可以直接参考榜单，远场会议和电话录音不能。判断顺序：先确认音频是单人还是多人、有没有方言口音、采样率和信噪比大概什么水平，再去看候选模型在相近条件下的表现，而不是看总榜排名。

• 单人近场、安静、普通话标准：榜单排名有参考价值，可以用公开数据初筛
• 多人会议、远场、有人抢话：必须用自己的音频测，重点看重叠语音的处理和说话人区分
• 电话客服、带背景噪声：信噪比低，通用错字率好看不代表能识别对，要看丢字和断句
• 含方言或口音：先确认候选模型宣称支持的范围，再拿真实方言音频跑一遍，别信泛化描述

专有名词、人名、行业缩写是重灾区。通用错字率好看不代表术语能识别对；有这类需求的，先拿你的真实音频跑一遍看错在哪几个词。做实时字幕要额外看首字延迟和分段策略，离线转写只看最终准确率就够。这两类需求的候选模型名单通常不重叠，别拿一个场景的结论套另一个。

成本口径先统一：分钟、音频小时还是字符

常见口径有按音频时长、按转写出的字符数、按订阅打包额度三种。同样一段录音，按字符计费的模型遇到语速快、说话密的音频会更贵，按时长计费的则与内容无关。比价前先把三家口径换算成同一个单位，用你自己的典型音频算一遍，别拿官网单价直接横比。换算工具可以参考站内的模型成本计算器和 Token 单价换算页面。

• 注意隐藏项：是否按秒起步、是否四舍五入到分钟、并发上限是多少、超额后是限流还是涨价，这些在低用量阶段不显眼，量上来后差别很大
• 把「每分钟接口成本」和「每分钟人工校对成本」一起算，准确率差一点的产品可能省下接口费却多花几倍人力
• 估算时用你未来一个月的真实音频时长，别用官网示例的量级，示例往往是最理想的情况
• 各家计费规则和当时的单价，到站内的价格追踪页面核对当时的数字，不要用记忆里的旧报价

自建还是调接口：先看数据能不能出门

音频涉及客户隐私、医疗、法务内容的，先确认合规要求，数据不能出内网就只能走本地部署或有本地化方案的厂商。这条路准确率通常要打个折扣，需要额外调优。如果数据可以出内网，再往下比成本和维护精力。不确定的时候先跑一段双轨：同一批音频同时走接口和本地模型，比一遍错字分布，再决定要不要迁。

本地部署显性成本

显卡、机房、电费，以及模型加载占用的显存

本地部署隐性成本

长音频断句、说话人分离、音频解码的 CPU 占用，还有专门维护的人

接口调用的隐性成本

网络延迟、并发限制、数据出内网的合规审查

判断分界

日处理时长很短又只是内部试用，调接口更划算；长期高频且音频格式统一的，才值得考虑本地部署

一张选型对照清单，按这四步走

1. 整理自己的测试集准备 20-50 条代表性音频，覆盖最常见的说话人数量、噪声水平和专业词汇。验证方式：确认每条音频都有你手工核对过的参考文本，不然没法算错字。
2. 候选跑同一批音频选 3 家候选，用同一批音频跑一遍，记录错字位置、断句质量和响应延迟。验证方式：把三家结果并排贴在一起看，不要只看整体感觉。
3. 统一口径算月成本把各家报价换算成同一单位，代入你未来一个月的预估用量，算出真实月成本，别忘了校对人力。验证方式：把自己算出的数和官网报价页再核对一遍，站内价格追踪页面可查当时的数字。
4. 定一个回退方案留一家作为备选，接口用统一封装，换供应商时只改配置不改业务代码。验证方式：模拟切一次备选，看业务代码要不要动。

任何模型都应视为初稿生成器，人工复核环节不能省；能省的是人力，不是这一步。

补充一点：如果业务对正确率要求极高，比如合同、判决记录，先把复核流程设计好，再选模型。这时候选型标准会反过来——不是谁错字率最低，而是谁的输出格式最方便人工快速核对，比如带时间戳、带说话人标签。