选型 实时语音 API 时，团队经常先比识别效果和品牌熟悉度。真正影响上线的问题往往是另一句：一条实时连接能直接带回什么——只有原文逐字稿，还是说话人、术语表、结构化纪要，以及不用再跳第二个供应商的配对译文？
快速结论： AssemblyAI 是成熟的流式 STT 平台：模型分档清楚，流式说话人分离可加购，美欧节点同价，异步侧还有大量语音理解与 LLM Gateway 能力。OpenAI 提供独立的实时转写、实时翻译路径，以及完整的语音对话 Agent（Realtime）——适合已经站在 OpenAI 生态、需要工具调用或译出音频的产品。若需求是 同一条 WebSocket 上同时做转录 + 实时翻译 + 说话人 + 纪要 + 术语表，账单按统一的 每音频分钟 $0.006，并带有公开的 2 秒积压上限与 5 个接入区域，选 LecSync Realtime STT。
什么叫「一条连接」的实时语音栈？
「一条连接」的实时语音栈，指客户端通常只维持一条流式会话（多为 WebSocket），推送现场音频后，就能拿到产品需要的表面能力：原文字幕、可选目标语字幕、说话人标签、术语偏向，以及边说边生成的纪要——而不必为每个房间再开一条 STT、一条机器翻译、一条摘要服务。在 LecSync 开发者文档里，这对应一次 connect、服务端配对的转录与翻译，以及同一价目下的附加能力。
AssemblyAI 值得先肯定的地方
公开定价与流式文档突出的是完整 STT 平台能力：
- 流式模型可选： Universal-3.6 Pro Realtime 基价 $0.45/小时，Universal-Streaming 英/多语 $0.15/小时；走
wss://streaming.assemblyai.com/v3/ws，按轮次返回转写，并带词级时间戳。 - 流式说话人分离 作为明确加购项（+$0.12/小时），标签可随流式结果内联返回——只在 STT 之上加说话人时很直接。
- Keyterms 在 Universal-3.6 Pro Realtime 上包含（最多约 100 个词），可把产品名压进识别，而不必另开「术语表」产品。
- 美国与欧盟 流式主机公开同价；离开实时套接字后，还有异步 Speech Understanding 与 LLM Gateway 做摘要/章节。
- 注册赠 $50 额度，并写明免费档与按量档的新建流速率上限。
若 brief 是高质量英（或多语）流式原文、可选流式说话人，翻译或现场纪要可以另拼，AssemblyAI 应进短名单。
OpenAI 值得先肯定的地方
OpenAI 公开的 Realtime 与定价页覆盖的不止一条产品线：
- 实时转写 使用
gpt-live-transcribe（定价表估算约 $0.017/分钟），可用 prompt、keywords 与预期languages约束领域词与语码转换。 - 实时翻译 走独立路径（
/v1/realtime/translations，模型gpt-realtime-translate，估算约 $0.034/分钟），可流式输出 译文音频 + 字幕增量——场景是同传听感，而不只是文本字幕。 - 语音对话 Agent 经 Realtime API（如
gpt-realtime-2.1），按音频/文本 token 计费，带工具、插话与会话状态——「连接」本身是 Agent，而不是字幕管线。 - 已有录音时，还有文件转写模型（如
gpt-4o-transcribe），价目与实时栈分行列出。
若团队已统一 OpenAI 密钥、需要 译出音频，或在做语音 Agent 而非课堂/会议字幕，OpenAI 很自然。下文对照的是：做直播字幕产品时，各家在「一条可计量连接」上公开提供什么。
对照表：一条实时连接能带回什么
下表数字于约 2026-10-03（Asia/Shanghai）按公开页面复核，是厂商价目事实，不是独立准确率评测。
| 维度 | LecSync（一条 WebSocket） | AssemblyAI 流式 STT | OpenAI 实时转写 / 翻译 |
|---|---|---|---|
| 主连接形态 | 一条 WS：转录 + 翻译服务端配对 | 流式 WS 做 STT 轮次（streaming…/v3/ws） | 转写会话，或独立的翻译会话（/v1/realtime/translations） |
| 同字幕套接字上的实时翻译 | 有，与原文配对返回 | 翻译加购标注为 仅预录（+$0.06/小时）；不是流式 STT 那一行 | 实时翻译是 独立 会话/模型；每种目标语建议单独会话 |
| 说话人 / 分离 | 开启后 final 带标签与时间戳 | 流式说话人加购 +$0.12/小时 | gpt-live-transcribe 文档写明 不返回 说话人标签（需文件模型或自建回退） |
| 纪要 / 现场分钟 | 同连接 digest:true | 流式 STT 价目未列同款「现场结构化纪要」；摘要多走 LLM Gateway / 异步 | 实时转写指南未提供与 LecSync 同款的「字幕套接字 digest」 |
| 术语 / keyterms | 同价含 glossary 与领域上下文 | U3.6 Pro Realtime 含 keyterms（最多约 100） | 实时转写可用 keywords + prompt |
| 网络卡顿后的积压 | 上限 2 秒；约 1 秒内回到当前句 | 公开定价页未以同样方式描述 | 实时转写指南未写 2 秒字幕积压上限 |
| 区域 | 5 个网关：dal、hz、jp2、ru、uk | 美 + 欧 流式主机 | 许多模型有区域/驻留选项；Realtime 可用区域需按账号自行核实 |
| 计费形态（字幕路径） | 统一 $0.006 / 音频分钟，所列能力含在内 | 流式基价 $0.15–$0.45/小时 + 加购；按 连接打开时长 计 | 实时转写约 $0.017/分钟；实时翻译约 $0.034/分钟（定价表估算） |
来源：LecSync 开发者文档、AssemblyAI 定价、OpenAI 定价、OpenAI 实时转写、OpenAI 实时翻译。
分项谁更合适
| 需求 | 更倾向 |
|---|---|
| 公开价目里更低的流式 STT 基价（只要原文） | AssemblyAI Universal-Streaming $0.15/小时（注意按打开时长计费，以及说话人加购） |
| 明确的流式说话人加购 | AssemblyAI（流式 +$0.12/小时） |
| 实时 译出音频 + Agent/工具生态 | OpenAI Realtime 翻译 / gpt-realtime-2.1 Agent |
| 原文+译文文本字幕，并要说话人、纪要、术语表、一张账单 | LecSync $0.006 / 音频分钟 |
| 字幕流量强调五个接入区域 | LecSync（dal、hz、jp2、ru、uk） |
| 公开写明的 2 秒积压上限 | LecSync |
定价：加购与分会话，还是一分钟全包
AssemblyAI。 流式公开价从 Universal-Streaming $0.15/小时 或 Universal-3.6 Pro Realtime $0.45/小时 起；流式说话人再加 $0.12/小时。计费按 WebSocket 打开时长，空闲挂着也算，结束必须及时关连接。Speech Understanding 里的翻译加购写明 仅预录（+$0.06/小时）；要做现场双语字幕，通常还得另接翻译。摘要/章节公开导向 LLM Gateway 的 token 计费，而不是流式套接字上的免费 digest 开关。
OpenAI。 定价表估算：gpt-live-transcribe 约 $0.017/分钟，gpt-realtime-translate 约 $0.034/分钟。这是两行产品：实时字幕与实时同传是不同会话类型。语音 Agent 则按 gpt-realtime-2.1 等模型的 token 计（音频输入约 $32 / 百万 token，音频输出约 $64 / 百万 token）。若字幕客户端还要说话人或结构化纪要，实时转写指南写得很清楚：gpt-live-transcribe 不返回 说话人标签与词级时间戳。
LecSync。 公开只有一个价：每分钟音频 $0.006。含实时转录、实时翻译、对齐时间戳、说话人分离、术语表与领域上下文、译文润色、现场结构化纪要（digest），以及可选 30 天录音/逐字稿存储。关掉功能不降价，全开也不加价。不足整分钟按比例；没有被接受的音频不计费。
粗算对照（仅公开价目）
| 方案（实时字幕路径） | 公开计费口径 | 约 60 分钟粗算 |
|---|---|---|
| AssemblyAI Universal-Streaming 基价 | $0.15/小时 打开时长（说话人另计） | 套接字开约 1 小时 ≈ $0.15 基价 |
| AssemblyAI U3.6 Pro Realtime + 流式说话人 | $0.45 + $0.12 = $0.57/小时 | 约 $0.57 |
OpenAI gpt-live-transcribe | 约 $0.017/分钟 | 约 $1.02 |
OpenAI gpt-realtime-translate | 约 $0.034/分钟 | 约 $2.04（翻译会话，与 live-transcribe 分开） |
| LecSync 全包 | $0.006 / 音频分钟 | $0.36 |
实际账单还会受空闲挂机（AssemblyAI）、是否再开 OpenAI 翻译会话、以及 Agent token 结构影响。选型问题是：财务能否用 有效音频分钟 × $0.006 直接预报，还是必须把打开时长、加购和第二条翻译计量一并建模。
什么时候选 AssemblyAI
适合这些情况：
- 主要只要 流式 STT（可加流式说话人），需要轮次事件与词级时间戳
- 美/欧驻留在 AssemblyAI 主机上就够用
- 翻译可以异步，或你已有机器翻译链路
- 愿意在便宜的 Universal-Streaming 与 Pro Realtime 之间选档，并习惯及时关闭连接以控制按时长计费
什么时候选 OpenAI
适合这些情况：
- 在做带工具、插话、语音进语音出的 Voice Agent
- 需要 实时译文音频（旁听同传或双向口译会话）
gpt-live-transcribe的 prompt/keywords/languages 已够用，且不依赖该实时模型返回说话人- 组织已统一 OpenAI 账单与安全标识
什么时候选 LecSync
适合 brief 写明 要把现场双语（或任意语对）字幕当产品交付：
- 课堂、直播课、会议客户端要边说边显示原文 + 译文
- 需要带说话人的 final，以及同连接上的结构化纪要，不想再接一家摘要服务
- 课程或产品名要进术语表，且走同一条连接
- 希望账单就是 每音频分钟 $0.006，五个区域，外加 2 秒积压上限，避免网络一卡延迟无限堆高
用 POST https://api.lecsync.com/v1/realtime/connect 与 Bearer 密钥建连，再在返回的 WebSocket 上流式推送（见 开发者文档）。预览文本会先流，再落 final；可自动检语种。翻译与原文同流返回，不必等整句结束。
常见问题
AssemblyAI 能在同一条流式 WebSocket 上做实时翻译吗？
公开定价里，Translation 加购写在预录理解能力下（+$0.06/小时），并标注 仅预录。流式价目覆盖的是 STT（以及可选的流式说话人 / keyterms），不是同套接字上的配对实时翻译。若要现场双语字幕，需另规划翻译路径。
OpenAI 的实时转写会返回说话人标签吗？
实时转写指南写明：gpt-live-transcribe 不返回 词级时间戳、说话人标签或转写置信度。若必须要这些字段，需换兼容的文件转写模型，或在应用层自行回退。
OpenAI 的实时翻译和实时转写是同一次会话吗？
不是。实时翻译走独立的 translations 端点与 gpt-realtime-translate；文档建议 每种目标语单独开会话。实时转写则是 transcription 会话类型（如 gpt-live-transcribe）。
LecSync Realtime STT 多少钱？
公开开发者页：每音频分钟 $0.006，所列能力全含。转录、翻译、说话人、术语表、纪要、润色与可选 30 天存储，都在同一价上。
LecSync 首字大概多快？
公开数字：开讲后约 0.28 秒 出首字；首个翻译 token 大约再加 88 毫秒。按厂商产品指标理解即可。
网络卡顿时 LecSync 会怎样？
服务端音频积压上限 2 秒，超出部分丢弃而不是无限排队。恢复后大约一秒内回到当前句，而不是越拖越远。
结论
AssemblyAI 更适合要聚焦流式 STT、可选流式说话人、美欧节点，并在异步/LLM Gateway 侧扩展摘要工具的团队。OpenAI 更适合要实时译文音频、语音 Agent，或已经统一 OpenAI 生态的团队。LecSync 适合必须用 一条连接 同时交付配对实时翻译、说话人、术语表与纪要，账单按 每音频分钟 $0.006，并需要五个区域与公开的 2 秒积压上限的产品。从 LecSync 实时语音文档 起步，把这一行价目，对照 AssemblyAI 的打开时长基价加加购，以及 OpenAI 分开的实时转写/实时翻译计量即可。