后端本来就在 AWS 上的团队，做实时字幕时多半会先想到 Amazon Transcribe 流式识别。麻烦出在产品还要同屏显示译文的时候：Transcribe 只输出说话人原本的语言，翻译得另接 Amazon Translate，另一套 API，另一张按字符计费的账单。LecSync 实时语音 API 则在一条 WebSocket 里同时返回字幕、译文和说话人标签，每分钟音频 $0.006。
本文只用公开资料。AWS 价格取自 AWS Price List API（美国东部·弗吉尼亚北部）和 Amazon Transcribe 定价页，读取时间 2026 年 10 月 10 日；LecSync 数据取自开发者页和定价文档。
先说结论
如果字幕、译文、说话人三样都要，LecSync 一条连接全包，每小时 $0.36（60 × $0.006）。Amazon Transcribe 标准流式识别在美国东部的标价是每秒 $0.0001667，约合每小时 $0.60，说话人区分已含在内。翻译另算：Amazon Translate 每百万字符 $15，一小时英语讲话大约要 $0.75。两项加起来每小时约 $1.35。
反过来，如果你的权限、账单、合规都已经放在 AWS 里，或者需要 PII 脱敏、自定义语言模型、Call Analytics，又或者音频不是 16 kHz 单声道 PCM，那 Amazon Transcribe 更合适。
两边各要接什么
LecSync 这边，服务端调一次 POST /v1/realtime/connect，拿到流地址和一次性令牌；客户端打开 WebSocket，推 16 kHz 单声道 PCM 就行。转写分段、对应译文、说话人标签，以及可选的实时纪要，都从同一条连接回来，已经一一配好对。
AWS 这边，先用 HTTP/2 或带 SigV4 签名的 WebSocket 地址调 StartStreamTranscription，拿到原语言的转写事件；开了 ShowSpeakerLabel 才会带说话人。要显示译文，你的服务得把每条定稿分段送进 Translate 的 TranslateText（单次请求最多 10,000 字节），再把结果对回字幕时间轴。两个服务、两份计量，中间的拼接代码要自己写、自己维护。这种做法的细节可以看内置翻译还是自拼 STT + MT。
能力对照（2026-10-10 核对）
| LecSync 实时语音 API | Amazon Transcribe 流式识别 | |
|---|---|---|
| 接入方式 | POST /v1/realtime/connect 后一条 WebSocket | StartStreamTranscription，走 HTTP/2 或 WebSocket |
| 实时字幕 | 含在单价内 | 每秒 $0.0001667，约每小时 $0.60（美国东部标价） |
| 实时翻译 | 含在单价内；每条流设一个语言对，方向按分段判断 | Transcribe 不做翻译；另接 Amazon Translate，每百万字符 $15 |
| 说话人 | 同一条流里开 speakers: true | ShowSpeakerLabel，含在标准价内；最多区分 30 人 |
| 实时纪要 | digest: true，会话进行中持续推送 | 标准流式识别没有；通话总结只在 Call Analytics 的通话后分析里 |
| 中途换语言 | 冒出第三种语言也会译成目标语言 | IdentifyMultipleLanguages，至少给两个语言代码；只出转写 |
| 术语 | 术语表、强制译法、领域上下文，均已包含 | 自定义词表免费；自定义语言模型另收费 |
| 音频格式 | v1 仅 pcm_s16le、16 kHz、单声道 | PCM、FLAC、Ogg Opus；支持双声道 |
| 默认并发 | 开发者页未公布 | 每个区域 25 路，可申请上调 |
| 长时间会话 | 令牌只限制打开连接的时限；服务端积压封顶 2 秒 | 会话时长有不可上调的硬上限；SessionResumeWindow 允许在开流后最多 300 分钟内重连 |
| 计费粒度 | 按已接受音频，精确到秒以下 | 按秒计费，标准流式无最低消费 |
| 免费额度 | 公开价无免费额度 | 每月 60 分钟，限 12 个月；Translate 另有每月 200 万字符，限 12 个月 |
| SLA | 尽力而为，目前没有 SLA | 以 AWS 对 Transcribe 的服务条款为准 |
资料来源：Amazon Transcribe 定价、Amazon Translate 定价、说话人区分、终端节点与配额、流式语言识别、StartStreamTranscription 参考、LecSync connect 文档。
一小时、一千小时各要多少钱
Translate 按字符收费，所以 AWS 的总价取决于一小时讲话能转出多少字。我们按每小时约 5 万字符估算，相当于英语每分钟 150 词左右。这个数是我们自己的假设，实际转写可能更长也可能更短。
| LecSync | Amazon Transcribe + Translate | |
|---|---|---|
| 字幕 | 已含 | 每小时 $0.60 |
| 说话人 | 已含 | 已含 |
| 翻译 | 已含 | 每小时约 $0.75（5 万字符 × 每百万 $15） |
| 实时纪要 | 已含 | 流式不提供 |
| 每小时 | $0.36 | 约 $1.35 |
| 1,000 小时 | $360 | 约 $1,350（$600 + $750） |
第一年能用上 AWS 免费额度：每月 60 分钟转写、200 万字符翻译，1,000 小时的账单会降到约 $1,319。另外，字符数跟语言关系很大。同样一小时，中文、日文转出来的字符比英语少得多，以中文为源语言时 Translate 这一项会明显变小。
只看字幕也一样。Transcribe 流式每小时约 $0.60，仍高于 LecSync 全功能打开后的 $0.36。Transcribe 的批量转写是每分钟 $0.006，和 LecSync 同价，但批量处理的是上传好的文件，撑不起实时字幕。想看各家加购项怎么叠价，可以读加上翻译、说话人和纪要，1,000 小时要花多少。
这些情况选 Amazon Transcribe
- 整套系统在 AWS 上。 IAM、合并账单、Service Quotas 都现成；流式识别的终端节点里有 FIPS 节点，也覆盖 GovCloud 区域。
- 要处理敏感数据。 流式识别可以识别并脱敏 PII，按加购计费（美国东部首档每分钟 $0.0024）。
- 要训练自己的模型。 流式支持自定义语言模型，另有自定义词表和词汇过滤。
- 做呼叫中心。 Call Analytics 提供实时情绪、问题检测、类别事件，以及通话后总结；Transcribe Medical 支持美式英语医疗场景。
- 音频不是 16 kHz 单声道 PCM。 Transcribe 收 FLAC 和 Ogg Opus，双声道可以分开转写。
- 用量很小、先试试。 免费额度每月 60 分钟，可用一年。
这些情况选 LecSync
- 字幕和译文要同屏。 译文跟着转写一起流出来，首个 token 只多约 88 毫秒，不用再调第二个服务。60 种语言之间可以任意互译。
- 说话人和纪要不想另起任务。 说话人标签自带时间戳；实时纪要在会话进行中一段段生成。详见实时会议纪要还是会后总结。
- 客户端想做薄。 用一次性令牌打开连接，浏览器和手机端不用碰 AWS 签名。
- 延迟不越拖越长。 开口后约 0.28 秒出首个词；网络卡顿后，服务端积压最多 2 秒。
- 账单只有一行。 每分钟已接受音频 $0.006，开一个功能还是全开都是这个价。
LecSync 也有明确的限制：每条流只能设一个语言对，v1 只收 16 kHz 单声道 PCM，目前不提供 SLA。
常见问题
Amazon Transcribe 流式识别能直接翻译吗？
不能。Transcribe 只输出说话人所用的语言；开启多语言识别后，转写里可以出现多种语言，但翻译仍要交给别的服务。AWS 文档自己也是这么建议的。常见搭配是 Amazon Translate，标准文本翻译每百万字符 $15。
Amazon Transcribe 流式识别每小时多少钱？
AWS Price List 显示，美国东部（弗吉尼亚北部）标准流式识别每秒 $0.0001667，约合每小时 $0.60，按秒计费、无最低消费。自定义词表、词汇过滤、说话人区分、语言识别都已含在内；PII 脱敏和自定义语言模型另收费。
Amazon Transcribe 流式识别能区分说话人吗？
能。在 StartStreamTranscription 里设置 ShowSpeakerLabel 即可。Amazon Transcribe 最多区分 30 位说话人，标签为 spk_0 到 spk_29，费用含在标准流式价格里。
Amazon Transcribe 能同时跑多少路流？
默认每个区域 25 路并发（HTTP/2 和 WebSocket 合计），可以在 Service Quotas 控制台申请上调。AWS 还提醒，压测时并发拉升太快也可能被限流。
LecSync 每分钟 $0.006 包含哪些功能？
60 种语言实时转写、实时翻译、与音频对齐的时间戳、说话人区分、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。开哪些功能都不影响单价。
讲课中途换了语言怎么办？
AWS 上要用 IdentifyMultipleLanguages，事先列出至少两种可能出现的语言，返回的是各语言的原文转写，翻译还得另做。LecSync 每条流设一个语言对，翻译方向按分段判断；如果冒出第三种语言，也会译成你设定的目标语言。
一句话
关键看你愿不愿意自己维护翻译这一层。想用一条连接拿到字幕、译文和说话人，每小时 $0.36，选 LecSync 更省事；需要 AWS 原生的权限与合规、PII 脱敏、自定义模型或呼叫中心分析，Amazon Transcribe 加 Translate 更合适，每小时约 $1.35。到 LecSync 开发者控制台创建密钥，照着 connect 文档打开第一条流。如果还在比较其他云厂商，可以看 Google Cloud Speech-to-Text 对比和 Azure AI Speech 对比。