做实时字幕，百度智能云能用上的有两款接口：实时语音识别，把普通话或英语音频流转成文字；实时语音翻译，另走一条 WebSocket，边识别边出 45 个语种的译文。两款接口的文档里都没有说话人分离。
LecSync 实时语音 API 把这些放在一条连接里：原文、60 种语言任意两种之间的互译、每句定稿都带说话人，再加上边开会边生成的纪要，统一按每分钟音频 $0.006 计费，折合每小时 $0.36。
下文百度的数字均来自官方页面，核对时间为 2026 年 10 月 20 日：语音技术产品价格、实时语音识别 WebSocket API、语音识别简介、免费测试资源、实时语音翻译 API 及其价格，以及通用文本翻译价格。百度按人民币标价，换算美元用 2026 年 10 月 20 日人民币汇率中间价 1 美元 = 6.72 元。
先说结论
只要单语中文或英文字幕、团队本来就在国内用百度云，百度实时语音识别更便宜：1000 小时包 1800 元，约 $268，LecSync 同样时长是 $360；量再大，小时包单价能降到 0.9 元。
要出译文就是另一笔账了。百度实时语音翻译后付费每小时 10 元，1000 小时包 9000 元，约 $1,339；LecSync 还是 $360，说话人和实时纪要都含在里面，语言对可以在 60 种语言里任选，也不需要国内云账号。
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、语言对和要开的功能，拿到流地址后推 16 kHz 单声道 PCM。同一条连接上依次收到：预览和定稿字幕、按 segment ID 对齐的译文、带毫秒时间戳的说话人（speakers: true）、按话题逐段推送的纪要（digest: true）。语种自动识别，翻译方向逐句判断，中英混说的会议开一条流就够。说话开始到首字上屏约 0.28 秒，翻译首个 token 再多约 88 ms。
百度实时语音识别。 连 wss://vop.baidu.com/realtime_asr，先发 START 帧，填 AppID、API Key 和 dev_pid 模型号，再按 20–200 ms 一帧（建议 160 ms）发 16 kHz、16 bit 单声道 PCM。公开模型有：普通话 1537（弱标点）和 15372（加强标点）、中文多方言 15376（普通话、粤语、四川话、东北话）、英语 1737（无标点）和 17372（加标点）。一条流只能选一个模型。每句话先返回 MID_TEXT 临时结果，再返回带 start_time、end_time（毫秒）的 FIN_TEXT。
接入时有几条限制要提前算进去：
- 单次调用音频不超过 1 小时，超过要自己断开重连；
- 一句话超过 60 秒会被强制切断；
- 服务端 5 秒收不到音频就报错断开；
- 断网后需要客户端自己缓存音频，从最后一次
end_time起重发，新请求的时间戳也要自己加上偏移。
百度实时语音翻译。 是另一个接口 wss://aip.baidubce.com/ws/realtime_speech_trans。START 报文里填一个 from、一个 to，音频支持 8k、16k、44.1k 的 PCM。返回中间结果和整句结果，各带原文与译文，还可以选择回传 MP3 格式的译文播报。文档列出的结果字段里没有时间戳，也没有说话人。服务端 30 秒收不到报文会断开。
另外，百度的「极速版」是短语音识别极速版：上传 60 秒以内的完整音频，只支持普通话，按次计费，不是流式接口。
关键参数对照（2026-10-20 核对）
| LecSync 实时语音 API | 百度实时语音识别 | 百度实时语音翻译 | |
|---|---|---|---|
| 价格 | 每分钟 $0.006（每小时 $0.36），功能全包 | 后付费 3 元/小时（≈ $0.45）；小时包 1.8–0.9 元/小时 | 后付费 10 元/小时（≈ $1.49）；时长包 9.5–8.5 元/小时 |
| 语种 | 60 种，自动识别 | 普通话、英语，另有多方言模型；每条流选一个 | 45 种 |
| 实时翻译 | 60 种里任意两种，同一连接 | 无 | 有，每个会话固定一个 from/to |
| 说话人 | 每句定稿都带 | 文档未提供 | 文档未提供 |
| 时间戳 | 每句定稿带 startMs/endMs，上游重连后仍按同一条录音计时 | 每句毫秒级；断线重连后自己补偏移 | 文档结果字段中没有 |
| 实时纪要 | digest: true | 无 | 无 |
| 音频输入 | 16 kHz 单声道 PCM16 | 仅 16 kHz 单声道 PCM16 | PCM16，8k / 16k / 44.1k |
| 会话限制 | 积压上限 2 秒 | 单次调用最长 1 小时；5 秒无音频即断开 | 30 秒无报文即断开 |
| 默认并发 | 未公布 | 付费 50 路；免费额度 3 路（个人）/ 5 路（企业） | 10 路 |
| 并发扩容 | — | 每路 100 元/月 或 1000 元/年 | 商务咨询 |
| 免费额度 | — | 10 小时 | 个人 2 小时 / 企业 10 小时 |
| 开户要求 | 注册账号、创建 API Key | 百度云个人或企业实名认证 | 同左 |
百度实时语音识别价目
| 方式 | 价格 | 折合每小时 | 美元（6.72） |
|---|---|---|---|
| 调用时长后付费 | 3 元/小时 | 3.00 元 | $0.45 |
| 1000 小时包 | 1800 元 | 1.80 元 | $0.27 |
| 1 万小时包 | 15000 元 | 1.50 元 | $0.22 |
| 10 万小时包 | 120000 元 | 1.20 元 | $0.18 |
| 50 万小时包 | 450000 元 | 0.90 元 | $0.13 |
小时包自购买起一年有效，用完自动转后付费，每小时出账扣费。价格文档写明，鉴权失败或音频质量导致的失败调用也会计时长。产品页顶部还挂着「新客首购专享优惠，低至 0.2 元/小时」，但价格文档里查不到具体规则，下面的测算没有算进去。
100 小时和 1000 小时各要多少钱
| 每月音频 | LecSync | 百度实时语音识别 | 百度实时语音翻译 |
|---|---|---|---|
| 100 小时，单语字幕 | $36 | 后付费 300 元 ≈ $44.64 | — |
| 1000 小时，单语字幕 | $360 | 小时包 1800 元 ≈ $268 | — |
| 100 小时，带译文 | $36 | — | 100 小时包 950 元 ≈ $141 |
| 1000 小时，带译文 | $360 | — | 1000 小时包 9000 元 ≈ $1,339 |
| 1000 小时，识别 + 百度文本翻译自己拼（英文讲话） | $360 | 约 4446 元 ≈ $662（估算） | — |
| 1000 小时，识别 + 百度文本翻译自己拼（中文讲话） | $360 | 约 2535 元 ≈ $377（估算） | — |
| 说话人、实时纪要 | 已包含 | 没有 | 没有 |
自己拼的两行：只把整句结果送去通用文本翻译，按后付费每百万字符 49 元计，没算一次性的免费字符额度。字符量是估算值：英文讲话每小时约 5.4 万字符，中文约 1.5 万字。换成别家对比，可以看加上翻译、说话人和纪要后 1000 小时要花多少。
海外团队能不能用
百度语音接口的文档和购买入口都在 cloud.baidu.com，计费概述要求开通付费前完成个人或企业实名认证。2026 年 10 月 20 日查看时，百度智能云国际站（intl.cloud.baidu.com）首页展示的是计算、网络、存储类产品，原来的语音产品地址会跳到 404。公司和用户都在海外的话，最好先找百度商务确认能否开户。
LecSync 注册账号、建好 API Key 就能推流。服务部署在 6 个网关区域，握手时可以指定，也可以交给系统就近分配，音频不用绕半个地球。
这些情况选百度更合适
- 大量单语中文字幕。 小时包 1.8 元到 0.9 元一小时，比 LecSync 的 $0.36 低一大截。
- 要识别方言。
15376多方言模型能同时处理普通话、粤语、四川话和东北话。 - 要自训模型。 百度语音自训练平台可以上传词表和长文本训练普通话模型，调用时填
lm_id即可。 - 要把译文念出来。 实时语音翻译可以回传 MP3 播报，英文还能选男声或女声。
- 要私有化部署。 百度提供本地 CPU/GPU 服务器部署包，适配海光、鲲鹏等国产服务器。
- 要写进合同的可用性。 后付费卡片上写着服务稳定性 99.9%。LecSync 目前是尽力保障，没有 SLA。
这些情况选 LecSync 更合适
- 字幕要带译文，预算又有限。 每小时 $0.36，百度后付费是 10 元（约 $1.49），而且 LecSync 的语言对能在 60 种语言里随意组合。省掉的开发量见内置翻译和自建 STT + MT 流水线的对比。
- 双向对话。 LecSync 一条流里，中文自动译成英文，英文自动译成中文，逐句判断。百度实时语音翻译一个会话只能固定一个方向。
- 要知道谁说的。 LecSync 每句定稿都带说话人和与录音对齐的时间戳，做法见用一条 WebSocket 拿到说话人和时间戳。
- 课和会超过一小时。 百度单次调用最长 1 小时，重连拼接得自己写。LecSync 上游重连后时间戳仍按同一条录音走，网络卡顿时积压最多 2 秒，原理见 LecSync 如何把实时字幕积压卡在 2 秒。
- 会还没开完就要纪要。
digest: true会把确认好的段落从同一条连接推过来。 - 产品面向海外。 不用开国内云账号，6 个网关区域可选。
还在比较其他国内云厂商的话，可以接着看 LecSync 对比腾讯云实时语音识别 和 LecSync 对比讯飞实时语音转写。
常见问题
百度实时语音识别多少钱一小时？
截至 2026 年 10 月 20 日，百度智能云实时语音识别（普通话、英语）后付费每小时 3 元，按 6.72 的汇率约合 $0.45。预付费小时包更便宜：1000 小时包折合 1.8 元/小时，50 万小时包 0.9 元/小时，有效期一年。LecSync 每小时 $0.36，翻译和说话人都包含在内。
百度实时语音识别能区分说话人吗？
截至 2026 年 10 月 20 日，百度实时语音识别 WebSocket 文档里没有说话人字段，整句结果只有文字和起止时间；产品简介还要求录音中不要多人同时说话。LecSync 只要设置 speakers: true，每句定稿都会带上说话人标签和时间戳。
百度能做实时语音翻译吗？
能，用的是单独的实时语音翻译接口，支持 45 个语种，每个会话设定一个源语言和一个目标语言。后付费每小时 10 元，1000 小时包 9000 元，默认 10 路并发。LecSync 的翻译含在每分钟 $0.006 里，60 种语言任意两种都能互译。
海外公司能用百度语音 API 吗？
百度语音接口在 cloud.baidu.com 售卖，开通付费需要个人或企业实名认证。2026 年 10 月 20 日查看时，百度智能云国际站没有列出语音产品，海外团队建议先向百度商务确认开户条件。LecSync 注册并创建 API Key 即可使用，部署在 6 个网关区域。
怎么选
国内业务、只要普通话或英语单语字幕、最在意每小时单价，或者离不开方言模型和自训练，选百度实时语音识别。字幕要带译文、要分说话人、单场超过一小时，或者产品面向海外，选 LecSync：一条连接全搞定，每分钟 $0.006。到开发者页面调一次 POST /v1/realtime/connect，就能开一条测试流。