想给会议录音做转写、给客服电话做质检，或者要给产品加一句语音输入，翻一圈发现名字一大堆：通用转写、实时流式、带说话人分离的、多语种混说的，还有能直接出字幕时间轴的。光看介绍都挺好，接进自己项目才发现不对路。这篇不排座次，只帮你按场景把类型认全，再给一套选之前先验证的步骤。
想给会议录音做转写、给客服电话做质检，或者要给产品加一句语音输入，翻一圈发现名字一大堆：通用转写、实时流式、带说话人分离的、多语种混说的，还有能直接出字幕时间轴的。光看介绍都挺好，接进自己项目才发现不对路。这篇不排座次，只帮你按场景把类型认全，再给一套选之前先验证的步骤。
先说明一件事：下面讲的都是「类型」，不是「谁更好」。同一家厂商往往一个底座开好几档参数，文档里换个名字就当成新产品卖。你要做的是认准自己属于哪一档需求，再去站内对应页面核对当时的规格和数字。
先把语音识别模型分成几类
分类这件事不用太学术，按你实际会遇到的交叉维度切就行。三个维度：用途、形态、能力档位。三者不互斥，一个接口可能同时是流式、带时间戳、还支持多语种。看文档时先确认你拿到的是哪一档，别被产品名糊弄。
- 按用途分：通用批量转写、实时流式转写、带说话人分离的会议型、边识别边翻译的跨语种型
- 按形态分：整段音频一次性喂进去的离线型，和边收边出的流式型，后者对延迟和断句处理的要求完全不同
- 按能力分：纯转写、转写带时间戳、转写带标点与数字规范化，以及叠加情绪或事件标注的增强型
- 最关键的一条：同一个底座换参数就能切换形态，看文档时先找「是否支持流式」「是否返回词级时间戳」这两行开关
三类最常见的误配
| 你想要的 | 容易误选 | 后果 |
|---|---|---|
| 直播字幕 | 离线批量接口 | 整段说完才出字，延迟根本不可用 |
| 说话人多的会议 | 只返回整段文本的通用接口 | 后期得靠人肉分谁说的 |
| 多语种混说 | 只支持单语种的模型 | 中途切语言就掉字或乱码 |
什么场景配哪一类
把场景和类型对上，是省钱省时间的关键一步。下面这张对照表按常见活儿来分，先找到你在哪一行，再往右看该盯什么指标。不适用的情况我会在表后单独说。
| 场景 | 该选哪类 | 优先看什么 |
|---|---|---|
| 会议记录、访谈整理 | 带说话人分离+时间戳 | 说话人切换准确度、时间戳是否漂移 |
| 客服质检、电话录音 | 批量长音频型 | 长音频稳定性、批处理吞吐 |
| 直播字幕、语音助手 | 流式型 | 首字延迟、断句是否频繁回退 |
| 多语种混说、方言口音 | 多语种增强型 | 目标语种是否在支持列表内 |
接之前先做的验证动作
官方示例音频都是精心挑过的，跑出来当然漂亮。你要做的是拿自己的脏数据去撞。下面这套顺序按性价比排，做完基本能筛掉一半候选。
- 准备真实音频样本从自己业务里挑几段：带口音的、有背景噪声的、专有名词多的。每段控制在同一量级，方便横向比。
- 跑一遍并分类记录错处重点看三类错：漏句（整句没出来）、人名术语错（出来但认成别的词）、时间戳漂移（字对但位置偏）。三类错对应不同短板，别混在一起评价。
- 核对计费口径按分钟还是按字符，先搞清。到 语音模型（/voice） 和 厂商接口页（/official-api/providers） 核对当时的计费单位，别等账单出来才反应。
- 同批音频横向比拿不准就同时测两家，用同一批音频对比。看的是你自己的错处分布，不是别人的宣传语。
选型不是选最强，是选错得最不致命的那一个。
调用还是自己部署
这一步的决策跟音频量和隐私要求挂钩，跟模型好坏关系不大。判断分界线很朴素：调用成本随时长线性涨、且隐私要求硬的时候，自建才开始划算。
- 小体量、偶发使用
- 直接调接口，省掉部署和运维，别一上来就折腾显卡
- 音频量大且数据敏感
- 评估本地部署，先算清显卡与并发，参考 部署测算页（/models/deploy） 的口径
- 自部署的常见坑
- 多在解码并发和长音频切分上，不在模型本身
- 决策时机
- 调用成本随时长涨、隐私要求又硬，自建才划算
看规格页时该盯哪几行
规格页动辄几十行，其实真正影响你能不能用的就那么几行。下面这份清单照着过一遍，基本不会踩大坑。具体数字会变，一律到 语音模型页（/voice） 和对应厂商页看当时的数值。
- 支持语种与是否支持语种自动检测，混说场景必看
- 单条音频时长上限与文件大小上限，长会议要提前规划切分
- 是否返回词级时间戳、置信度、说话人标签，这三项决定你后处理能做多细
- 限流与并发口径：是 QPS 还是并发数，超出后是排队还是直接报错
- 出错返回结构：拿不拿得到错误码，决定你的重试策略怎么写
常见问题
语音识别模型和语音合成模型是一回事吗？
不是。语音识别是把音频转成文字，语音合成是把文字转成音频，方向相反。选型时看的是不同的指标：识别看准确率和时间戳，合成看音色和自然度。站内 /ai-nav/category/ai-voice 把两类放在一起，挑的时候先分清你要的是哪一边。
实时转写和先录完再转，模型能通用吗？
通常不能直接通用。实时流式要在音频还没结束时就开始出字，断句和纠错策略跟离线批量转写是两套逻辑。同一个厂商可能两种都提供，但接口和参数不一样。如果你的场景既要直播又要存档，建议分别验证，别指望一个配置全包。
怎么判断某个模型支不支持我要的语种？
先去它的规格页看明确列出的语种清单，别信「支持多语种」这种笼统说法。然后用你的真实音频跑一小段，重点听方言口音和专业词。如果规格页没写清，到 /ai-nav/category/ai-voice 按场景翻同类方案，再进对应厂商页核对当时的说明。
