提到 Cartesia，多数开发者先想到的是它的语音合成模型 Sonic。其实它还有一条流式语音识别产品线，叫 Ink。现在主推的 Ink-2 是给语音智能体做的：能判断来电者什么时候开口、什么时候说完，扛得住电话音质和背景噪声，出终稿也快。它只管转写，不做翻译，文档里也找不到说话人分离。
LecSync 实时语音 API 面向的是另一类需求：实时字幕和会议记录。一条 WebSocket 同时返回原文、60 种语言任意两两互译的译文、说话人标签和会中纪要，按音频每分钟 $0.006 计费，折合每小时 $0.36。
下文 Cartesia 的数字全部来自 2026 年 10 月 19 日核对的官方页面：定价页、计费文档、Ink-2 模型页、旧版 STT 模型、STT 接口对比、并发限制，以及 Ink 产品页。两家都用美元标价，文中不涉及汇率换算。
结论先说
做语音智能体，语种又在英语、西班牙语、法语、印地语、日语这五种之内，Ink-2 很合适：自带轮次检测，省掉一个单独的 VAD 模型；8 kHz μ-law 电话音频可以直接送进去。价格是每秒 3 个 credit，按套餐不同，折合每小时大约 $0.40 到 $0.70。
要做带译文的字幕、要区分谁在说话，或者语种超出这五种，LecSync 省事得多。以每月 1,000 小时算，Cartesia 最划算的 Scale 套餐光 Ink-2 转写就要约 $405；LecSync 是 $360，翻译、说话人和纪要都在里面。
三种接法
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，拿到流地址和一次性 token，客户端随后推 16 kHz 单声道 PCM。同一条连接上会陆续收到预览稿和终稿、按片段 ID 配好对的译文、带毫秒时间戳的说话人标签（speakers: true），以及会议进行中逐段生成的纪要（digest: true）。从开口到首字上屏约 0.28 秒，翻译再多约 88 毫秒。网络卡顿时，服务端积压最多保留 2 秒。
Cartesia Ink-2 自动模式：wss://api.cartesia.ai/stt/turns/websocket，轮次检测内置在模型里。服务端推送 turn.start、turn.update、turn.eager_end、turn.resume、turn.end 五种事件，每个事件带上当前这一轮的文字。文字一出就是终稿，模型不会回头改。支持英、法、印地、日、西五种语言，自动判断语种。Cartesia 官方给的「出终稿时间」是 0.1 秒。
Cartesia 手动模式：/stt/websocket 把轮次交给你自己处理：用户说完时由你的 VAD 发 finalize，接口返回增量文字和词级时间戳。旧模型 ink-whisper 也只能走这个接口，它列出了约 100 种语言，价格是 Ink-2 的三分之一。
Cartesia 两个实时接口都收裸 PCM，支持 16 位整型到 32 位浮点等六种编码（含 μ-law、A-law），采样率 8–48 kHz。建连时最多可以传 100 个关键词（合计 1,200 字符），连接期间不能再改。
关键参数对照（2026 年 10 月 19 日核对）
| LecSync 实时语音 API | Cartesia Ink-2 | Cartesia ink-whisper | |
|---|---|---|---|
| 主要场景 | 实时字幕、会议、课堂 | 语音智能体 | 低成本转写 |
| 价格 | 每分钟 $0.006（每小时 $0.36），功能全包 | 每秒 3 credit（按套餐约每小时 $0.40–$0.70） | 每秒 1 credit（约每小时 $0.13–$0.23） |
| 语种 | 60 种，自动识别 | 5 种：英、西、法、印地、日 | 约 100 种 |
| 实时翻译 | 60 种语言任意两两互译，同一连接返回 | 无 | 无 |
| 说话人标签 | 每条终稿都带 | 文档未提供 | 文档未提供 |
| 轮次检测 | 无（面向字幕） | 内置，五种事件 | 自己发 finalize |
| 会中纪要 | digest: true | 无 | 无 |
| 音频输入 | 16 kHz 单声道 PCM16 | PCM、μ-law、A-law，8–48 kHz | 同左 |
| 并发流 | 未公开 | 8 / 12 / 20 / 60（Free / Pro / Startup / Scale） | 共用同一额度 |
| 区域 | 6 个网关区域 | 自动就近路由；美、欧盟、英、印度、澳洲专属部署仅限企业版 | 同左 |
| 静音 | 已接收的静音计费，空连接不计费 | 计费 | 计费 |
另外，Cartesia 的 STT 连接空闲 3 分钟会被关掉，空闲连接照样占并发名额。
credit 换成钱是多少
Cartesia 按月给一池 credit。Ink-2 每秒 3 个，一小时音频就是 10,800 个。这池 credit 和语音合成共用，跑了 TTS，留给转写的就少了。
| 套餐 | 月费 | credit | 可用 Ink-2 时长 | 超额单价（每百万 credit） | 超额折合每小时 |
|---|---|---|---|---|---|
| Free | $0 | 20,000 | 约 1 小时 51 分 | 不支持超额 | — |
| Pro | $5 | 100,000 | 约 9 小时 16 分 | $65 | $0.70 |
| Startup | $49 | 1,250,000 | 约 115 小时 44 分 | $45 | $0.49 |
| Scale | $299 | 8,000,000 | 约 740 小时 44 分 | $38 | $0.41 |
Scale 月费除以可用时长，每小时约 $0.40；Cartesia 在 FAQ 里写的是「Scale 套餐每小时 $0.39」。超额需要手动打开，不开的话 credit 用完请求就会失败。没用完的 credit 可以结转，上限是月额度的两倍。企业版另行报价。
100 小时和 1,000 小时各要多少钱
| 每月音频量 | LecSync | Cartesia Ink-2（最省的套餐） | Cartesia ink-whisper（最省的套餐） |
|---|---|---|---|
| 100 小时，原语种转写 | $36 | $49（Startup） | $21.90（Pro + 超额） |
| 1,000 小时，原语种转写 | $360 | $405.40（Scale + 超额） | $154.75（Startup + 超额） |
| 1,000 小时，英语演讲配译文字幕 | $360 | 加 Google 翻译约 $1,475（估算） | 加 Google 翻译约 $1,225（估算） |
| 说话人标签、会中纪要 | 已包含 | 需另找服务商 | 需另找服务商 |
翻译那一行的算法：只把说完的整轮文字送去 Google Cloud Translation 默认模型，每百万字符 $20，每月前 50 万字符免费。英语按每分钟约 150 词算，一小时大约 54,000 字符，1,000 小时翻译费约 $1,070。字符量是估算值。更多厂商的同口径对比，可以看加上翻译、说话人和纪要后 1,000 小时要花多少。
这些情况选 Cartesia
- 做语音智能体。 原生轮次事件，加上 eager-end 信号，可以让 LLM 在用户话音未落时就开始准备回复。LecSync 没有轮次事件。
- 电话音频。 8 kHz 的 μ-law、A-law 直接送。LecSync v1 只收 16 kHz PCM16，电话音频得先重采样。
- 只要原语种文字、预算紧。 用 ink-whisper，Startup 套餐跑 1,000 小时约 $155，比 LecSync 的 $360 低一大截。
- 合规和私有部署。 Cartesia 列出了 SOC 2 Type II、HIPAA、GDPR、PCI，企业合同下可以本地部署、VPC 部署和零数据留存。
- 听和说用同一家。 已经在用 Sonic 做语音合成的话，Ink 用的是同一池 credit。
这些情况选 LecSync
- 字幕要带译文。 Cartesia 所有 STT 接口都不翻译。LecSync 在转写流上直接给出 60 种语言任意两两互译，翻译方向逐段判断，中英混着说也不用切设置。具体省了哪些活，见内置翻译 vs 自己拼 STT + 机器翻译。
- 要知道每句话是谁说的。 每条终稿都带说话人标签和对齐音频的时间戳，做法见用说话人和时间戳搭会议客户端。
- 语种不止五种。 Ink-2 只覆盖五种。中文、韩语、德语、阿拉伯语、俄语等其余语种，在 LecSync 上功能完全一样。
- 会还没开完就要纪要。 开
digest: true，确认好的段落会从同一条连接推过来。 - 网络不稳的长会议。 积压最多 2 秒，卡顿过后字幕很快追回当前这句，原理见 LecSync 如何把实时字幕积压卡在 2 秒。
- 不想算套餐。 没有月费、没有 credit 池、也不用开超额，按实际接收的音频计费，精确到不足一秒的部分。
常见问题
Cartesia Ink 能实时翻译吗？
不能。截至 2026 年 10 月 19 日，Cartesia 的语音识别接口只返回原文，STT 文档里没有任何翻译选项。要显示译文字幕，只能把每轮说完的文字再送到别家翻译 API。LecSync 的译文和原文走同一条 WebSocket，价格仍是每分钟 $0.006。
Cartesia Ink-2 每小时多少钱？
Ink-2 每秒音频消耗 3 个 credit，一小时 10,800 个。$299 的 Scale 套餐折合每小时约 $0.40（官方 FAQ 写 $0.39），Startup 约 $0.42，Pro 约 $0.54；超额部分每小时 $0.41 到 $0.70。静音同样计费。
Cartesia Ink-2 支持哪些语言？
英语、西班牙语、法语、印地语和日语，可自动识别语种。旧模型 ink-whisper 列出约 100 种语言，但只能走手动 finalize 的接口，没有内置轮次检测。LecSync 支持 60 种语言转写，并能在其中任意两种之间互译。
Cartesia Ink 能区分说话人吗？
截至 2026 年 10 月 19 日，Cartesia 的 STT 文档和 API 参考都没有为 Ink-2 或 ink-whisper 提供说话人分离。返回内容是文字，手动接口另带词级时间戳。LecSync 打开 speakers: true 后，每条终稿都会带说话人标签和时间戳。
怎么选
做语音智能体、语种在五种之内、尤其是走电话线路，选 Cartesia Ink-2；只要最便宜的原语种文字、轮次检测自己能处理，可以看 ink-whisper。如果产出是给人看的字幕，需要译文、需要标出说话人、希望会议进行中就有纪要，选 LecSync，统一每分钟 $0.006。在开发者页面注册拿到 API key，一次 POST /v1/realtime/connect 就能开一条测试流。