ElevenLabs 的 Scribe v2 Realtime 是一款很能打的流式语音识别模型：官方给出的延迟约 150 毫秒，支持 90 多种语言，每小时音频 $0.39。但它只负责把话转成原语言的文字。实时接口上没有翻译选项，也不会在会话中标注说话人。
LecSync 实时语音 API 每分钟音频 $0.006，折合每小时 $0.36。同一条 WebSocket 上，原文字幕、配好对的译文、说话人标签和边开会边生成的纪要都会一起回来。
所以两家怎么选，关键看一件事：你的实时字幕要不要翻译，要不要显示谁在说话。
本文数据全部来自公开页面，2026 年 10 月 14 日核对。ElevenLabs 部分参考了 API 定价页、Scribe v2 Realtime 产品页、模型说明、语音转写总览、实时 WebSocket 接口文档和实时事件说明；LecSync 部分来自开发者页面、计费文档和建连文档。
结论先说
如果只做同语种转写，Scribe v2 Realtime 很有竞争力：语种 90 多个，比 LecSync 的 60 个多；官方延迟约 150 毫秒，LecSync 首字上屏约 0.28 秒；签年付 Business 套餐的话，ElevenLabs 标的是每小时 $0.28 甚至更低，比 LecSync 的 $0.36 便宜。
如果字幕要给听不懂原语言的人看，LecSync 更省事也更省钱。翻译、说话人、术语表、实时纪要都包含在每小时 $0.36 里。用 Scribe 的话，翻译得自己再接一家服务；说话人标签只能等会后把录音交给批量模型重跑一遍。
两边的接入流程
两家都不让 API Key 落到客户端：服务端先换一个短期凭证，浏览器或 App 再拿着它去连 WebSocket。
LecSync：服务端调用 POST /v1/realtime/connect，在请求里写好音频格式、语言对和要开的功能，拿回流地址和一次性 token。客户端推 16 kHz 单声道 PCM。原文片段、按片段 ID 对齐的译文、带毫秒时间戳的说话人标签（speakers: true）和分段纪要（digest: true）都从这一条连接回来。
ElevenLabs：服务端生成一次性 token，客户端带上 model_id=scribe_v2_realtime 连接 wss://api.elevenlabs.io/v1/speech-to-text/realtime。音频用 input_audio_chunk 消息上传，结果先以 partial_transcript 返回，定稿后再推 committed_transcript。接入时有几处要留意：
- 分段提交：可以自己发 commit，也可以交给语音活动检测（VAD）自动切。手动模式下，累计约 36 秒音频模型会自动提交一次；官方建议每 20～30 秒提交一次。
- 静音：哪怕没人说话也要持续发音频，静音帧也行。15 秒收不到客户端消息，服务端就会断开，这个时限不能改。
- 开场：文档提到，服务端会先缓冲大约前 2 秒音频再开始转写。
- 附加功能：词级时间戳、语种检测、关键词提示（最多 50 个，每个不超过 20 个字符）、实体识别和转写改写都用查询参数打开。其中关键词提示、实体识别和转写改写都要另外加钱，而且改写和实体识别不能同时开。
参数对照表（2026 年 10 月 14 日核对）
| LecSync 实时语音 API | ElevenLabs Scribe v2 Realtime | |
|---|---|---|
| 建连方式 | POST /v1/realtime/connect 后开一条 WebSocket | 一次性 token 后开一条 WebSocket |
| 公开价 | 每分钟 $0.006（每小时 $0.36），功能全包 | 每小时 $0.39，只含转写 |
| 更低的公开价 | 用量多少都是同一价格 | 年付 Business 套餐"每小时 $0.28 及以下" |
| 计费粒度 | 按实际接收的音频时长，精确到零点几秒 | 按音频分钟 |
| 语种 | 60 种 | 90 多种 |
| 延迟（厂商自报） | 首字上屏约 0.28 秒，翻译多约 88 毫秒 | 约 150 毫秒 |
| 实时翻译 | 包含；60 种语言任意互译，每条流一个语言对 | 实时接口不提供 |
| 会话中的说话人标签 | 有，每个定稿片段都带，附时间戳 | 未列出；官方 FAQ 称实时说话人分离"目前不是优先事项" |
| 自定义术语 | 术语表、强制译法、领域上下文，均包含 | 关键词提示最多 50 个，每小时加 $0.08 |
| 纪要 / 摘要 | digest: true，会话中分段推送 | 不提供 |
| 实体识别（PII、PHI、PCI） | 不提供 | 支持，在基础价上加 30% |
| 音频输入 | 16 kHz 单声道 PCM（v1） | PCM 8～48 kHz 或 μ-law 8 kHz；双声道"没有计划" |
| 并发上限 | 未公布 | Free 6、Starter 9、Creator 15、Pro 30、Scale/Business 45 |
| 单场最长时长 | 未公布 | 有上限（session_time_limit_exceeded），具体数值未公布 |
| 接入点 / 区域 | 6 个网关区域 | 默认接入点，另有美国、欧盟、印度、新加坡数据驻留接入点 |
| 数据留存 | 默认不存；传 store: true 才保留 30 天 | 零留存模式仅限企业版 |
| 免费额度 | 无 | 有免费套餐 |
| SLA / 合规（公开信息） | 尽力而为，目前没有 SLA | 企业版提供 SLA 和 SOC 2；HIPAA BAA 需联系销售 |
用 Scribe 做翻译字幕，要多接一层
ElevenLabs 有翻译能力，但放在配音（Dubbing）产品里，处理的是上传的音频和视频文件。它自己的 FAQ 写得很清楚：实时或直播配音目前不提供。实时接口里倒是有一个"转写改写"（transcript editing），用自然语言指令改写每段定稿文字，目前还是实验功能。官方举的例子是统一日期格式、展开缩写，并没有把它当翻译功能来介绍。
想在 Scribe 上做实时双语字幕，一般要这样搭：
- 拿到 Scribe 推来的每段
committed_transcript； - 发给机器翻译 API 或大模型；
- 把译文对回对应的字幕行，两家服务的超时和重试都得自己处理。
只翻定稿文字，译文比较稳，代价是译文总要落后说话人一整段。LecSync 的译文跟着原文一起流式返回，并按片段 ID 配好对，客户端不用自己对齐。翻译节点出故障时 LecSync 会自动切换，流不中断；文档也写明，上游出错时个别片段可能拿不到译文。
两种做法的取舍，可以看内置翻译还是自拼 STT + MT。
1,000 小时要花多少钱
ElevenLabs 的价格取自 API 定价页的公开价。翻译环节以 Google Cloud Translation 的 NMT 为例：每月前 50 万字符免费，之后每百万字符 $20。我们按每小时讲话约 5 万字符估算；换成大模型或其他翻译服务，价格会不一样。
| 1,000 小时实时字幕 | LecSync | Scribe v2 Realtime |
|---|---|---|
| 只要转写 | $360 | 公开价 $390；年付 Business 不超过 $280 |
| 加实时翻译 | $360 | 约 $1,380（$390 + Google NMT 约 $990） |
| 再加说话人标签（会后用 Scribe v2 批量重跑，每小时 $0.22） | $360，会中实时给出 | 约 $1,600，会后才有 |
| 再加自定义术语（关键词提示每小时 $0.08） | $360 | 约 $1,680 |
右栏是按公开单价算出来的，不代表报价。如果只做同语种字幕，又能签年付 Business，ElevenLabs 更便宜。一旦需要翻译，LecSync 的成本优势就很明显。更多厂商的对比见加上翻译、说话人和纪要，1,000 小时要花多少。
这些情况选 ElevenLabs
- 大批量的同语种字幕：年付 Business 每小时 $0.28 甚至更低，比 LecSync 的 $0.36 便宜。
- 对延迟特别敏感：官方给出约 150 毫秒，LecSync 首字约 0.28 秒。两家口径不完全一样，最好用自己的音频实测。
- 语种多：90 多种，Scribe v2 系列还按语种公开了词错率分档。
- 音频来源杂：支持 8～48 kHz 采样率，也支持电话常用的 μ-law。LecSync v1 只收 16 kHz 单声道 PCM。
- 要做脱敏：实时识别 PII、PHI、PCI 等敏感信息。
- 做语音智能体：Scribe v2 Realtime 可以在 ElevenLabs Agents 里选用，和它家的语音合成配套。
- 想先免费试：有免费套餐，可开 6 路实时并发；并发表公开，有数据驻留接入点，企业版还有 SLA 和 SOC 2。
这些情况选 LecSync
- 字幕要给另一种语言的人看：译文跟原文一起流式返回，翻译只多约 88 毫秒，按片段 ID 配好对，不用另接服务，也不另收费。
- 要实时看到谁在说话：每个定稿片段都带说话人标签和
startMs、endMs。具体做法见用 LecSync 实时 API 做会议客户端。 - 会还没开完，纪要就有了：
digest: true会在同一条连接上分段推送纪要，每段都带对应的录音时间范围。 - 专有名词两边都要对：术语表既影响识别，也能锁定人名和产品名的译法，不额外收费。
- 网络抖完延迟不往上涨：服务端把积压上限卡在 2 秒，多出来的直接丢弃。原理见LecSync 如何把实时字幕积压卡在 2 秒。
- 一个价全包：每小时 $0.36，不用先买套餐，空连接不收费。
LecSync 也有明确的短板：60 种语言，每条流只能配一个语言对，v1 只收 16 kHz 单声道 PCM，没有公布并发上限，没有免费额度，不做敏感信息识别，没有列出合规认证，目前也没有 SLA。
常见问题
ElevenLabs Scribe v2 Realtime 怎么收费？
按 ElevenLabs API 定价页（2026 年 10 月 14 日核对），公开价每小时音频 $0.39。Scribe Realtime 产品页写的是年付 Business 套餐每小时 $0.28 及以下。关键词提示每小时另加 $0.08，转写改写另加 $0.12。用量按音频分钟计。
Scribe v2 Realtime 能实时翻译吗？
不能。实时 WebSocket 没有翻译参数。ElevenLabs 的语音翻译走配音产品，只处理上传的文件，官方 FAQ 也说直播配音暂不提供。想做实时双语字幕，需要在 Scribe 后面再接一个机器翻译 API 或大模型。
Scribe v2 Realtime 能区分说话人吗？
按公开文档，不能。说话人分离（最多 32 人）只列在批量模型 Scribe v2 下面，实时模型没有。实时产品页的 FAQ 说这"目前不是优先事项"，双声道输入也没有计划。
Scribe v2 Realtime 的并发和连接有什么限制？
各套餐的实时并发：Free 6 路、Starter 9 路、Creator 15 路、Pro 30 路、Scale 和 Business 45 路，企业版可以再提高。连续 15 秒收不到客户端消息，连接会被关闭。单场会话有最长时长限制，但具体数值没有公布。
LecSync 每分钟 $0.006 包含哪些功能？
60 种语言的实时转写、任意两种语言间的实时翻译、与音频对齐的时间戳、说话人标签、术语表和领域上下文、AI 译文润色、实时结构化纪要，以及可选的录音和转写稿 30 天存储。功能开多开少，价格都一样。
怎么选
只要同语种转写、语种多、延迟要压到最低，或者要处理电话音频、实时脱敏，尤其是用量大到值得签年付 Business 的，选 Scribe v2 Realtime。字幕要翻译、要标出说话人、要边开会边出纪要，又想按每小时 $0.36 一口价算账，选 LecSync。到 LecSync 开发者页面创建 API Key，照着建连文档就能开第一条流。还在比较其他家？可以看看 LecSync 对比 Gladia 和 LecSync 对比 Deepgram。