Hugging Face Inference Endpoints 让你单独部署一台 ASR 副本，按副本初始化与运行期间的 GPU/CPU 时间计费。2026 年 10 月 31 日核对 Automatic Speech Recognition 目录，whisper-large-v3 与 whisper-large-v3-turbo 的目录配方均为约 $0.8/小时（1× NVIDIA L4）。Hugging Face 没有给这类专用 Whisper 端点公布「每音频分钟多少美元」。
LecSync 实时语音 API 是一条托管 WebSocket，面向会议和课堂直播字幕：预览与最终文本、60 种语言任意互译、每个最终段落带说话人与对齐录音的时间戳，以及随会话推进的纪要。单价为每音频分钟 $0.006（每小时 $0.36），上述能力包含在内。
下文数字于 2026-10-31 对照 Hugging Face Inference Endpoints 定价、ASR 目录、whisper-large-v3 与 whisper-large-v3-turbo 部署配方、转写教程，以及 LecSync 开发者页。Inference Providers 今天在自有文档里主要是透传第三方费率，没有清晰的 Whisper 音频分钟单价，因此本文只比 专用 Inference Endpoints 的算力价。
Hugging Face Whisper 端点和实时字幕 API 分别做什么？
Hugging Face Whisper Inference Endpoint 是一台 专用 ASR 部署：你选硬件（目录里 Whisper 配方常见 1× L4），用文件或 HTTP 转写请求拿文本；账单按副本运行时的 算力分钟计。LecSync 这类实时字幕 API 则在人还在说话时，用一条托管连接持续推双语字幕、说话人和纪要，并按 已接收音频时长计费。
先说结论
若你要在 Hugging Face 上跑 自己的 Whisper（或其他开源 ASR）——可换模型、突发文件任务可缩到零、副本完全自己控——Inference Endpoints 更合适。缩到零后不计运行算力；1× L4 常开大约 每挂钟小时 $0.80（按 24×30 估算约 每月 $576），这是显卡租金，账单上并没有「音频分钟」这一栏。
若需求是 直播双语字幕 + 说话人 + 纪要，且希望一张按分钟账单，LecSync 更贴近产品形态。Whisper 端点并不是「一条托管直播字幕 WebSocket，还把任意语对互译、说话人和纪要打进每音频分钟 $0.006」。
各自怎么接入
LecSync。 服务端 POST https://api.lecsync.com/v1/realtime/connect，带上音频格式、语言对和需要的能力，再推 16 kHz 单声道 PCM。说话过程中先出预览，句子确认后落成最终段落；译文与同一段落 ID 配对。打开 speakers: true 后，每个最终段落带说话人和录音时钟上的 startMs/endMs；打开 digest: true 后纪要分段推送。开口到首字约 0.28 秒，翻译大约再加 88 毫秒。7 个网关区域（dal、jp3、kc、nj、ru2、ru3、uk）就近处理；积压上限 2 秒。
Hugging Face Inference Endpoints（Whisper）。 在 Model Catalog 部署 openai/whisper-large-v3 或 openai/whisper-large-v3-turbo，今日核对的验证配方为 NVIDIA L4、1× GPU · 24 GB、约 $0.8/小时（配方页展示 us-east-1）。转写教程 演示把音频文件 POST 到类似 /audio/transcriptions 的接口，并可再接一个文本生成端点做会后摘要。目录配方带 Automatic Scale-to-Zero。定价文档写明：Endpoint 在初始化与运行态会产生算力费用；页面按小时展示，按算力分钟结算。缩到零、没有运行副本时，不会按运行算力计费。
计价：公开算力价 vs 音频分钟
| 路径 | 公开数字（2026-10-31） | 实际买到的是 |
|---|---|---|
| LecSync 实时语音 API | 每音频分钟 $0.006 全包 | 已接收音频时长；转写 + 互译 + 说话人 + 纪要 |
HF AWS nvidia-l4 ×1 | $0.8 / 小时 | 副本运行期间的 GPU 租金（按算力分钟） |
HF GCP nvidia-l4 ×1 | $0.7 / 小时 | GCP 上同档 L4 |
| 目录 whisper-large-v3 / turbo | 约 $0.8 / 小时（1× L4 配方） | 与 AWS L4 目录默认同档 |
常开租金（Calculated）： AWS L4 $0.80/小时 → 约 $19.20/天 → 按 24×30 约 $576/月。这笔钱不等于「转写了多少小时音频」。
折算到音频分钟（Estimated，须写明假设）： Inference Endpoints 没有公布 Whisper 音频分钟价。任何 $/音频分钟都是估算：
- 常开且 1:1 覆盖直播（一块 GPU 挂钟一小时大致只撑一小时直播音频）：约合 Est. 每音频小时 $0.80 ≈ Est. 每音频分钟 $0.0133（尚未算并发）——高于 LecSync 的 $0.006，且仍是同语种 ASR。
- 快于实时的批量 + 缩到零（只在跑任务时开 GPU；Whisper 常能快于实时吃完音频）：有效 Est. $/音频分钟可以明显低于 $0.006，取决于吞吐、排队和冷启动。这些只能标 Estimated，不能当成 HF 公布单价。
LecSync 无论是否打开翻译、说话人和纪要，都是 $0.006/分钟 → 1,000 音频小时 = $360。
同属 Whisper、但厂商直接公布音频分钟价的邻近文章：Groq Whisper、Cloudflare Workers AI Whisper、Together AI Whisper。没有云端分钟价、偏自托管运维叙事的是 Whisper.cpp。
对照表（2026-10-31 核对）
| LecSync 实时语音 API | HF Inference Endpoints Whisper | |
|---|---|---|
| 主场景 | 会议/课堂直播字幕 + 互译 | 专用 Whisper ASR 副本 |
| 计价 | 每音频分钟 $0.006 全包 | 运行中按 GPU/CPU 小时价；无公开 $/音频分钟 |
| 交付 | 托管 WebSocket，预览→定稿 | HTTP 转写 / 向自有端点上传文件 |
| 直播任意语对互译 | 60 语，同一条连接 | 不打包；需自接机翻或离线 translate |
| 直播说话人 | 每个最终段落（speakers: true） | 需自建（教程把 Hub 说话人模型列为后续） |
| 直播纪要 | digest: true | 教程模式再开一个生成端点 |
| 语种 | 60，自动识别 | Whisper 系多语识别 |
| 时延叙事 | 首字约 0.28 秒；翻译约 +88 毫秒 | 请求/文件推理；缩到零后有冷启动 |
| 缩到零 | 托管 SaaS，无此概念 | 目录配方支持 Automatic Scale-to-Zero |
| 区域 | 7 个网关；积压封顶 2 秒 | 自选 Endpoint 区域（配方页展示 us-east-1） |
| 模型控制 | 托管栈 | 可选 Whisper 变体或其他 Hub ASR |
1,000 小时大概多少钱（标注 Estimated 处为估算）
| 工作负载 | LecSync | Hugging Face Whisper 端点 |
|---|---|---|
| 同语种文件/批量转写 | 直播 API 不是最便宜的文件路径 | 由 GPU 小时 × 吞吐 Estimated；缩到零时往往很省 |
| 常开副本做持续覆盖 | 1,000 音频小时 $360 | 算力租金：例如常开一块 L4 约 $576/月（24×30），与是否灌满音频无关 |
| 任意语对直播字幕 | $360 | Whisper ASR + 你自己运维的机翻 |
| 直播中的说话人与时间戳 | 含在内 | 非托管直播能力 |
| 直播纪要 | 含在内 | 另开生成端点 / 自建流水线 |
| 字幕+互译+说话人的可预期音频分钟价 | 有（$0.006） | 无公开音频分钟 SKU |
扁平价与按项加价的算法见 翻译、说话人、摘要加进去后 1000 小时怎么算。自己拼识别加机翻见 内置翻译 vs 自拼流水线。
什么时候选 Hugging Face Whisper 端点
- 要在自选硬件上跑 自定义 Whisper 或其他 Hub ASR，并直接用 large-v3 / turbo 目录配方。
- 突发文件转写，用 scale-to-zero 让空闲时段接近零费用。
- 快于实时的批量任务，一块 GPU 小时能吃掉多小时音频（有效 Est. $/分钟可能低于托管字幕 API）。
- 需要 自管栈：私有端点、HF 鉴权、VPC，以及另开 LLM 端点做会后纪要。
- 只要 同语种文本，不需要一条连接上的任意语对直播字幕。
什么时候更适合 LecSync
- 一条连接上的直播互译字幕——60 语任意一对，译文挂在同一段落上。
- 直播过程中的说话人与对齐录音的时间戳——用说话人和时间戳搭会议客户端。
- 会还在开就推纪要（
digest: true）——实时纪要 vs 会后摘要。 - 可预期的每音频分钟 $0.006，不必估 GPU 规格、冷启动或吞吐折算。
- 课堂 / 留学混语场景：老师换语种时字幕要跟得上，不能等文件上传后再转。
分类谁更合适
| 维度 | 更合适的一方 | 原因 |
|---|---|---|
| 自选开源 Whisper / Hub ASR + 租 GPU | Hugging Face Endpoints | 目录配方 + 模型可选 |
| 突发批量 STT + 缩到零 | Hugging Face Endpoints | 只为运行中的副本付费 |
| 直播字幕的公开 $/音频分钟 | LecSync | 扁平 $0.006 全包 |
| 直播任意互译 + 说话人 + 纪要 | LecSync | 一条 WebSocket、一张分钟账单 |
| 常开 GPU 挂钟租金是否透明 | Hugging Face | L4 公开约 $0.7–$0.8/小时 |
| 托管直播首字时延叙事 | LecSync | 公开约 0.28 秒 / 翻译约 +88 毫秒 |
常见问题
Inference Endpoints 上有没有 Whisper 的音频分钟价？
没有。定价页列的是 按小时的 GPU/CPU 价，并按算力分钟结算（Endpoint 初始化与运行期间）。目录 Whisper 配方在 1× L4 上约为 $0.8/小时。任何 $/音频分钟都是按吞吐或常开覆盖假设估出来的。
每 GPU 小时 $0.80 怎么和 LecSync 每音频分钟 $0.006 比？
计量对象不同。LecSync 按已接收 音频分钟；Hugging Face 按 副本运行分钟。常开 L4 $0.80/小时，约合 Est. 每挂钟 GPU 分钟 $0.0133——若与音频 1:1，会高于 $0.006，且仍不含直播互译、说话人和纪要。批量 + 缩到零时，有效 Est. $/音频分钟可能反过来更低。
Inference Endpoints 能直接当双语直播字幕产品用吗？
你可以在端点前面自建推流服务，但 HF 自有文档和 Whisper 配方描述的是 面向转写请求/文件的 ASR 部署，摘要则另接文本模型。它们并不提供 LecSync 那种任意语对直播互译、说话人和纪要打进同一张音频分钟账单的形态。
缩到零是不是完全免费？
定价文档对初始化与运行中的 Endpoint 收取算力费。目录配方含 Automatic Scale-to-Zero；没有运行副本时，不会按运行算力计费。流量回来时会有冷启动。
直播字幕产品什么时候仍该用 Hugging Face？
当主力是 可控的文件/批量 Whisper，或团队已经统一在 Hub 模型与 Inference Endpoints 上。若要托管实时语音 API、每分钟 $0.006 且含互译、说话人和纪要，从 LecSync 开发者页 开始即可。
结论
Hugging Face Inference Endpoints Whisper 适合要 专用开源 ASR 算力 的团队——可换模型、批量可缩到零、L4 公开租金大约 $0.80/小时。LecSync 适合要 托管实时语音 API、每音频分钟 $0.006 全包，并在一条连接上同时要直播互译、说话人和纪要的产品。
下一步：打开 LecSync 开发者页，创建 connect 会话，推三秒 PCM，看预览到定稿的字幕是否落在同一张账单上。