今天在 DeepInfra 语音识别模型目录 和 定价页(2026 年 11 月 9 日,Asia/Shanghai 核对)上,托管 ASR 按输入音频分钟计费。公开价卡包括:Qwen3-ASR-0.6B 每分钟 $0.00020、Qwen3-ASR-1.7B 每分钟 $0.00045、whisper-large-v3-turbo 每分钟 $0.00020、whisper-large-v3 每分钟 $0.00045、Nemotron-3.5-ASR-Streaming-Multilingual-0.6b 每分钟 $0.00020、Nemo3-ASR-Streaming 每分钟 $0.00100、Voxtral-Mini 每分钟 $0.00100、Voxtral-Small 每分钟 $0.00300、Nemotron-3.5-Transcribe-30B-A4B 每分钟 $0.00200,以及 Nemotron-3-Diarization 每分钟 $0.00060。页面上标出的分钟价,和同一页的 cents_per_input_sec 能对上(例如每秒音频 0.000333 美分 → 每分钟 $0.00020)。
LecSync 实时语音 API 面向会议和课堂直播字幕:预览与定稿文本、60 种语言任意互译、每条定稿上的说话人与音频对齐时间戳,以及随会话推进的纪要。公开价 每音频分钟 $0.006(合每小时 $0.36),上述能力都含在价内。
下文以 DeepInfra 官网展示的 每音频分钟价 为准。由该单位推出的小时价和 1000 小时行均标为自算。这里比的是托管方 DeepInfra,不是 Mistral 自家的 Voxtral 接口,也不是 NVIDIA Riva/NIM。
DeepInfra 托管语音识别和字幕 API 分别是什么?
DeepInfra 托管 ASR 是一套按音频分钟付费的语音模型目录。多数卡片走 HTTP 上传文件;只有一个英文模型在文档里写成实时 WebSocket。LecSync 这类字幕 API 则在同一条托管连接里同时提供预览文本、60 语任意互译、说话人标签和分段纪要。留学课堂里,「挑一个便宜的文件转写模型再自己接摘要」和「一个直播分钟价打完字幕栈」,产品形态并不一样。
先说结论
如果要的是 便宜的托管转写,而且文件 POST(或兼容 OpenAI 的 transcriptions 接口)就够用,DeepInfra 的裸音频分钟价明显低于 LecSync。最低的公开卡是 每分钟 $0.00020,自算 1000 小时 $12。即便是 Voxtral-Small 的 每分钟 $0.00300,1000 小时也只要 $180。
如果要 直播双语字幕 + 说话人 + 纪要、一个平坦分钟价,更接近的是 LecSync。它仍是 $0.006/分钟全包(1000 小时 $360),预览文本、60 语互译、说话人和直播纪要走同一条 WebSocket。DeepInfra 这张目录里,文档写明的直播插座只有 Nemo3-ASR-Streaming:英语、超前 560 毫秒、每分钟 $0.00100(1000 小时 $60)。模型名带 “Streaming” 并不等于直播接口——多语种的 Nemotron streaming 卡片,今天的文档写的是文件 HTTP 推理。
两边怎么接
LecSync。 服务端调用 POST https://api.lecsync.com/v1/realtime/connect,带上音频格式、语言对和需要打开的能力,再推 16 kHz 单声道 PCM。人还在说时先出预览,句子确认后出定稿;译文共用同一 segment ID。打开 speakers: true 时,每条定稿带说话人和录音时钟上的 startMs/endMs;打开 digest: true 时,纪要按段落推送。开口后大约 0.28 秒出第一个字,翻译大约再加 88 毫秒。七个接入区(dal、jp3、kc、nj、ru2、ru3、uk)让音频就近处理;服务端积压上限 2 秒。
DeepInfra。 先创建 API Key,再从 ASR 目录 选模型。Qwen3-ASR、Whisper large-v3 / turbo、Voxtral Mini / Small、Nemotron-3.5-ASR-Streaming-Multilingual、Nemotron-3.5-Transcribe 和 Nemotron-3-Diarization 的文档调用都是 POST https://api.deepinfra.com/v1/inference/<owner>/<model>,用表单上传 audio 文件(mp3 或 flac)。带 openai 标签的模型还提供 POST https://api.deepinfra.com/v1/openai/audio/transcriptions。这些都是文件推理,就算名字里有 “Streaming”。
例外是 Nemo3-ASR-Streaming。DeepInfra 的模型页写明:它走兼容 OpenAI Realtime transcription 的实时 WebSocket,不提供 HTTP 推理。连接到 wss://api.deepinfra.com/v1/realtime?model=nvidia/Nemo3-ASR-Streaming,发送 16 位小端单声道 PCM(采样率不限,默认 24 kHz),会收到增量 delta 和每句话的 completed 定稿。等待转写的音频超过 10 秒,会话会结束。按发送的音频秒数计费,页面展示为 每分钟 $0.00100。模型是英语,超前量 560 毫秒。
这条英文插座的文档没有说话人字段。说话人要另走 Nemotron-3-Diarization,每分钟 $0.00060,最多 8 人——同样是文件 POST,不是 Nemo3 WebSocket 上的字段。Nemotron-3.5-Transcribe 被写成 40 种语言的离线转写,可选 diarize=true,并提到语音翻译、词级时间戳和音频问答,单次录音最长一小时。
今天抓到的 DeepInfra 卡片都没有类似 LecSync digest: true 的分段直播纪要。
价卡换算(官网 DeepInfra 标价)
| 项目 | DeepInfra 托管 ASR(官网) | LecSync 实时语音 API |
|---|---|---|
| 公开计价单位 | 展示为 每分钟音频输入(来自 cents_per_input_sec) | $0.006 / 音频分钟 |
| 最低公开卡 | $0.00020/分钟(Qwen3-ASR-0.6B、Nemotron-3.5 多语种 streaming、whisper-large-v3-turbo) | $0.006/分钟,功能全包 |
| 本目录里的直播 WebSocket | Nemo3-ASR-Streaming 每分钟 $0.00100,英语,超前 560 毫秒 | 托管直播 WebSocket |
| 说话人 | 另计 Nemotron-3-Diarization 每分钟 $0.00060,或在 Nemotron-3.5-Transcribe 上使用 diarize=true | 含在价内(speakers: true) |
| 直播纪要 | 这些卡片未写 | 含在价内(digest: true) |
| 文本翻译 | 部分文件模型提到语音翻译或 task 参数;没有 60 语任意互译的直播计价 | 含在价内,60 语任意一对 |
| 路径 | 实测单位(页面展示) | 自算 $/小时 | 自算 1000 小时 |
|---|---|---|---|
| LecSync 全包 | $0.006/分钟 | 0.36 | $360 |
| DeepInfra 最低 ASR 卡 | $0.00020/分钟 | 0.012 | $12 |
| DeepInfra Qwen3-ASR-1.7B / whisper-large-v3 | $0.00045/分钟 | 0.027 | $27 |
| DeepInfra Nemo3-ASR-Streaming(英语直播) | $0.00100/分钟 | 0.06 | $60 |
| DeepInfra Voxtral-Mini | $0.00100/分钟 | 0.06 | $60 |
| DeepInfra Nemotron-3.5-Transcribe | $0.00200/分钟 | 0.12 | $120 |
| DeepInfra Voxtral-Small | $0.00300/分钟 | 0.18 | $180 |
| DeepInfra Nemotron-3-Diarization(另计模型) | $0.00060/分钟 | 0.036 | $36 |
| 最低 ASR + 说话人分离(两段计价) | $0.00080/分钟 | 0.048 | $48 |
LecSync 无论是否打开翻译、说话人和纪要,都是 $0.006/分钟 → 1000 音频小时 = $360。
同一目录里还有几张较老的 Whisper 卡(whisper-base、tiny/small/medium 英文版、timestamped-medium),按 每秒计算 $0.0005 计费(cents_per_sec 为 0.05),并标成已弃用、请改用 openai/whisper-large-v3。上表没有把它们算进音频分钟价。Nemotron-3-Diarization-preview 同样标 每分钟 $0.00060,页面写明由 nvidia/Nemotron-3-Diarization 替换。
能力对照(2026 年 11 月 9 日核对)
| LecSync 实时语音 API | DeepInfra 托管 ASR | |
|---|---|---|
| 主要用途 | 会议/课堂直播字幕 + 互译 + 说话人 + 纪要 | 开源 ASR(外加一个说话人分离)模型的无服务器目录 |
| 公开价(按量) | 每音频分钟 $0.006,功能全包 | 当前按输入时长计费的卡片为 每音频分钟 $0.00020–$0.00300 |
| 接入方式 | 先 POST /v1/realtime/connect,再走托管 WebSocket | 文件 POST /v1/inference/... 或 /v1/openai/audio/transcriptions;英语直播走 wss://api.deepinfra.com/v1/realtime |
| 直播文本互译 | 60 语任意一对,同一条连接 | 文件模型可能提供语音翻译或 task 字段;Nemo3 直播插座文档未写翻译 |
| 说话人 | 每条定稿(speakers: true) | 独立的说话人分离模型,或 Nemotron-3.5-Transcribe 的 diarize=true;不在 Nemo3 WebSocket 字段里 |
| 直播纪要 | digest: true | 转写出来后自己做摘要 |
| 语言 | 60 种,自动识别 | 随模型而变:Qwen3 为 30 种语言加 22 种汉语方言;Nemotron 多语种/转写为 40+;Nemo3 为英语 |
| 延迟 | 约 0.28 秒出首字;翻译大约再加 88 毫秒 | Nemo3:超前 560 毫秒,先增量后定稿;文件模型等上传处理完再返回 |
| 音频输入 | pcm_s16le、16 kHz、单声道(v1) | 文件卡:mp3/flac;Nemo3:16 位小端单声道 PCM,采样率不限(默认 24 kHz) |
| 状态 | 公开的开发者控制台 | 公开的无服务器目录;文件模型可选 priority / flex 服务层级 |
| 更适合 | 平坦的双语直播字幕栈 | 低价托管 ASR;如果只要英语直播文本,也可以用那一条 WebSocket |
1000 小时要花多少
| 工作负载 | LecSync | DeepInfra |
|---|---|---|
| 同语言文件转写 | $360(走的是直播路径,不是文件接口) | 按所选卡片 $12–$180 |
| 仅英语直播字幕 | $360 | Nemo3-ASR-Streaming 每分钟 $0.00100,合 $60 |
| 翻译后的直播字幕(文本) | $360(60 语任意一对) | 文档里没有任意互译的直播插座;部分文件模型提到语音翻译 |
| 直播过程中的说话人 | 含在价内 | 不在 Nemo3 WebSocket 上;可另接 Nemotron-3-Diarization(1000 小时再加 $36),或在 Transcribe 文件任务上打开 diarize |
| 直播纪要 | 含在价内 | 自己用摘要模型后处理 |
| 字幕 + 互译 + 说话人是否一个平坦分钟价 | 是($0.006) | 裸 ASR 明显更便宜;说话人和纪要要另接模型或自己做 |
平坦价和加价项怎么比,见 加上翻译、说话人和摘要之后,1000 小时要花多少。如果打算自己把转写和翻译拼起来,见 内置翻译和自建流水线的差别。如果要比的是模型原厂而不是这家托管商,附近还有 Mistral Voxtral 和 NVIDIA Riva NIM。
什么时候更适合 DeepInfra
- 你要的是能找到的 最低公开音频分钟价,每分钟 $0.00020 的文件转写就够用。
- 工作是 批量或文件转写(录音、上传、离线流水线),不是一块直播字幕屏。
- 你想在同一张托管账单后面用 Qwen3、Whisper large-v3 / turbo、Voxtral 或 Nemotron 权重,不必逐家找模型原厂开通。
- 只要英语直播文本,Nemo3-ASR-Streaming 每分钟 $0.00100 就能覆盖。
- 你愿意在转写之外再接 第二个说话人分离模型、自己的翻译和自己的摘要。
什么时候更适合 LecSync
- 屏幕上要同时有 字幕、翻译、说话人标签和直播纪要,而且只要一个 $0.006/分钟 的价。
- 预览文本需要在句子定稿前出现(开口约 0.28 秒出首字),译文跟着分段一起流出来。
- 你需要 60 种语言任意互译,而不是每个模型各自一份语言表,再另接翻译。
- 不想在文件转写之外再堆一个摘要模型或第二个说话人分离模型。
- 课堂或研讨字幕栈希望账单上只剩一行:1000 音频小时 = $360。
常见问题
DeepInfra 的语音识别多少钱?
deepinfra.com/pricing 和 ASR 目录(2026 年 11 月 9 日)上,按输入时长计费的卡片展示为 每分钟音频 $0.00020 到 $0.00300。最便宜的一组是 每分钟 $0.00020(Qwen3-ASR-0.6B、Nemotron-3.5 多语种 streaming、whisper-large-v3-turbo),自算 1000 小时 $12。Nemo3-ASR-Streaming 是 每分钟 $0.00100;Voxtral-Small 是 每分钟 $0.00300。
DeepInfra 的 ASR 是实时流式接口吗?
今天这张目录里,文档写成这样的只有一张。Nemo3-ASR-Streaming 走 wss://api.deepinfra.com/v1/realtime,并且写明不提供 HTTP 推理。名字里带 “Streaming” 的多语种模型,文档给的是 POST /v1/inference/... 以及 OpenAI transcriptions 端点——这是文件调用,不是直播插座。
DeepInfra 能在一条直播流上既转写又翻译吗?
今天的 Nemo3 WebSocket 文档里没有。消息覆盖的是会话设置、追加音频、增量 delta 和每句定稿。部分文件模型(Whisper、Voxtral、Nemotron-3.5-Transcribe)提到语音翻译或 task 参数。这和 LecSync 在每个分段上做 60 语任意互译不是一回事。
DeepInfra 能标说话人吗?
Nemo3 这条直播插座上没有。说话人分离是另一个模型 Nemotron-3-Diarization,每分钟 $0.00060(最多 8 人,文件 POST)。Nemotron-3.5-Transcribe 的文档里也有离线任务用的 diarize=true 表单字段。
LecSync 每分钟 $0.006 包含什么?
60 种语言的实时转写、任意两种之间的实时翻译、与音频对齐的时间戳、说话人分离、术语表和领域上下文、AI 译文润色、实时结构化纪要,以及可选的 30 天录音和转写存储。打开或关闭这些能力,单价不变。见 开发者页。
DeepInfra 比 LecSync 更便宜吗?
就今天的公开价卡、只看裸转写:是,而且便宜不少——最低文件卡是 $0.00020/分钟 对 $0.006/分钟,1000 小时是 $12 对 $360;如果用英语 Nemo3 WebSocket,则是 $60 对 $360。LecSync 更高的分钟价对应的是整套字幕栈:直播预览、60 语互译、说话人和纪要,并不是说裸 ASR 更便宜。
一句话
DeepInfra 在 2026 年 11 月 9 日的官方 ASR 目录很清楚:公开的 每音频分钟 价从最低文件卡的 $0.00020 到 Voxtral-Small 的 $0.00300。多数模型是文件推理。只有一个英文模型 Nemo3-ASR-Streaming 被写成实时 WebSocket,每分钟 $0.00100。裸转写单价 DeepInfra 更低。若直播字幕、60 语互译、说话人和纪要要共用一个 $0.006/分钟 的账单(1000 小时 $360),LecSync 更好接。到 LecSync 开发者控制台 创建密钥,按 connect 文档 打开一条流;如果约束就是每分钟 $0.00020 的转写型号,从 DeepInfra 的 ASR 目录 起步即可。