IBM Watson Speech to Text 走 WebSocket 流式识别，能返回中间结果和定稿，最多区分 6 个说话人。这是一套老牌服务：可以训练自定义语言模型和声学模型，有专门针对 8 kHz 电话录音的模型，也能部署在自家机房。但它不做语音翻译，而 IBM 自己的 Watson Language Translator 已在 2024 年 12 月下线。
LecSync 实时语音 API 正好补上这一块：一条连接里有预览字幕和定稿字幕、60 种语言任意两种之间的互译、每句定稿上的说话人和对齐录音的时间戳，还有边开会边生成的纪要。这些全部打开，价格仍是每分钟音频 $0.006，折合每小时 $0.36。
下文 IBM 的数字于 2026 年 10 月 22 日核对，来源包括 Plus 套餐的 IBM Cloud 目录价、价格 FAQ，以及 WebSocket 接口、新一代模型、大型语音模型和说话人标注文档。两家都以美元标价，本文不涉及汇率换算。
先说结论
做呼叫中心、要处理 8 kHz 电话音频，或者必须私有化部署，IBM Watson 可以考虑。IBM Cloud 目录里 Plus 套餐 2026 年 10 月的标价是每 100 分钟 $2.12，即每分钟 $0.0212，1000 小时 $1,272。它的价格 FAQ 还写着旧的整数价 $0.02。
如果要翻译字幕，要给多人发言的课堂或会议分说话人，或者想在会上就拿到纪要，LecSync 做得更多、花得更少。1000 小时 $360，比 IBM Plus 标价低约 72%，而且翻译已经算在里面。
两边怎么接
LecSync。 服务端调 POST https://api.lecsync.com/v1/realtime/connect，告诉它音频格式、语言对和要开的功能，拿到地址后推 16 kHz 单声道 PCM。人没说完先推预览文字，一句话落定后再推定稿；译文按 segment ID 和原句配好对。开 speakers: true，每句定稿带说话人和 startMs/endMs，时间按录音本身计；开 digest: true，纪要按话题一段段推过来。开口到首字上屏约 0.28 秒，翻译再多约 88 毫秒。
IBM Watson Speech to Text。 带 token 和模型名连 wss://api.{location}.speech-to-text.watson.cloud.ibm.com/instances/{instance_id}/v1/recognize，先发一条 JSON start 消息，再以二进制帧发音频。设 interim_results: true 才会在定稿前收到中间结果。大部分新一代模型可以开 low_latency: true 提速，en-US 大型语音模型 2026 年 6 月起也支持；IBM 的说法是不开通常更准。
做字幕产品，有两处容易踩坑：
- 没人说话，会话可能被关。 默认情况下，连续 30 秒检测不到语音，服务端就结束会话。可以把
inactivity_timeout设成-1，但文档写明，为保活而发送的静音同样计费。 - 模型和语种一起选死。 模型按地区和音频类型命名，比如
en-US_Multimedia、zh-CN_Telephony。IBM 另有一个/v1/detect_language接口做语种识别，但识别流本身不会自动换语种。
语种和模型
IBM 现在有三类模型：大型语音模型（LSM）、面向 8 kHz 电话音频的新一代 Telephony 模型、面向 16 kHz 音频的新一代 Multimedia 模型。上一代模型 2023 年 8 月已停用。
大型语音模型覆盖英语、法语、德语、西班牙语、葡萄牙语、日语、荷兰语和意大利语，其中荷兰语 2026 年 4 月、意大利语 5 月才上线。Telephony 模型再加上阿拉伯语、普通话、捷克语、印地语、韩语和瑞典语，合计 14 种语言。普通话只有 Telephony 模型，没有 Multimedia 或大型语音模型。
LecSync 支持 60 种语言，自动判断当前说的是哪种，并在同一条流里做任意两种之间的互译。
说话人标注
设 speaker_labels: true，IBM 会借助词级时间戳给每个词标上说话人编号。文档对适用场景说得很直白：最擅长两个人打电话。最多处理 6 个说话人；如果一个人讲大半场，比如讲课或播客，或者几个人抢话，效果可能很差。前 30 秒偏弱，通常要一分钟左右的音频才稳定。定稿之前说话人编号还会变；开了中间结果时，长音频的最终标注可能比文字晚很多才到。
LecSync 每句定稿都带说话人和毫秒级时间戳，上游连接中途重连，时间也一直按同一条录音时间轴走。具体做法见用说话人和时间戳搭会议客户端。
翻译和纪要
IBM Speech to Text 只返回转写文本。过去负责翻译这一步的 Watson Language Translator 已于 2024 年 12 月 10 日下线。要做实时翻译字幕，得把每句定稿转给别家的翻译服务或大模型，再自己把译文和原句对上。这套流水线要多写多少东西，可以看内置翻译和自拼 STT + 机翻的对比。
IBM 另有 enrichments=punctuation，用来补标点、修大小写，但没有实时摘要或纪要。LecSync 开 digest: true 就能在会议进行中收到已确认的段落，对比见实时纪要和会后总结。
功能对照（2026 年 10 月 22 日核对）
| LecSync 实时语音 API | IBM Watson Speech to Text（Plus） | |
|---|---|---|
| 价格 | 每分钟 $0.006（每小时 $0.36），功能全含 | 目录价每 100 分钟 $2.12（每分钟 $0.0212）；单月超过 100 万分钟后每分钟 $0.0106 |
| 免费额度 | 开发者页面未列 | Lite 每月 500 分钟 |
| 语种 | 60 种，自动识别 | 各类模型合计 14 种；每条流固定一个语种 |
| 普通话 | 支持，可翻译 | 仅 Telephony 模型 |
| 实时翻译 | 60 种任选两种，同一连接 | 无；Language Translator 2024 年 12 月下线 |
| 中间结果 | 先预览、后定稿 | interim_results，可选 low_latency |
| 说话人 | 每句定稿都有，带 startMs/endMs | 按词标注，最多 6 人，针对两人通话优化 |
| 实时纪要 | digest: true | 无 |
| 自定义词汇 | 术语表和领域上下文 | 自定义语言模型、声学模型、语法，不另收费 |
| 并发 | 未公布 | Plus 最多 100 路 |
| 区域 | 7 个网关区域 | 文档列出 7 个地点，含首尔 |
| 私有化部署 | 不支持 | 支持，通过 IBM Cloud Pak for Data 和 Software Hub |
| 可用性承诺 | 尽力而为，暂无 SLA | 适用 IBM Cloud 服务等级协议 |
IBM 目录里 Plus 套餐只列了 6 个地点，没有首尔。Premium 套餐另有数据隔离、自带密钥加密（BYOK）、HIPAA 合规准备和每月 15 万分钟免费额度，需要找 IBM 销售购买。
1000 小时要花多少
| 每月 1000 小时 | LecSync | IBM Watson Plus |
|---|---|---|
| 单语字幕 | $360 | $1,272 |
| 翻译字幕 | $360 | $1,272，另加翻译服务费用 |
| 带时间戳的说话人 | 已含 | 已含，按词标注 |
| 实时纪要 | 已含 | 无 |
1000 小时即 60,000 分钟，分别乘以 $0.006 和 $0.0212。按 IBM FAQ 里的 $0.02 算是 $1,200。就算单月用量过了 100 万分钟，IBM 的 $0.0106 折合每小时约 $0.64，仍高于 LecSync 的 $0.36。其他厂商按同一口径的结果见加上翻译、说话人和纪要后 1000 小时各要多少钱。
这些情况选 IBM Watson
- 电话音频。 Telephony 模型专为 8 kHz 通话设计，说话人标注也是按两人通话调的。
- 深度定制。 Plus 套餐可以训练自定义语言模型、声学模型和语法，不另收费。
- 私有化或专有云。 同一套服务能跑在 IBM Cloud Pak for Data 和 IBM Software Hub 上。
- 合规和合同要求。 Premium 有数据隔离、BYOK 和 HIPAA 合规准备，IBM Cloud 也有带服务抵扣的 SLA。LecSync 目前没有 SLA。
- 整套业务已在 IBM 上。 watsonx Assistant 等服务已经在用的话，留在一个账单里可能更省事。
这些情况选 LecSync
- 实时翻译字幕。 60 种语言任选两种，同一条连接，每条译文都挂在对应的句子上。
- 中文和多语混说。 普通话能直接翻译，语种逐句判断，不用每条流先定死。
- 课堂和会议。 每句定稿都有说话人和时间戳，不预设只有两个人在说话。
- 长时间、网络不稳的场景。 服务端积压最多 2 秒，网络卡完一秒内字幕就追上当前这句，原理见 LecSync 如何把积压限制在 2 秒。
- 价格。 翻译、说话人、纪要全含每小时 $0.36；IBM 光转写就是每小时 $1.27。
还在比较几家大云厂商的话，可以看 LecSync 对比 Google Cloud Speech 流式识别、LecSync 对比 Azure Speech 实时翻译和 LecSync 对比 AWS Transcribe 流式转写。
常见问题
IBM Watson Speech to Text 怎么收费？
截至 2026 年 10 月 22 日，IBM Cloud 目录里 Plus 套餐标价每 100 分钟 $2.12，即每分钟 $0.0212；单月超过 100 万分钟后降到每分钟 $0.0106。价格 FAQ 里写的仍是 $0.02 和 $0.01。Lite 套餐每月免费 500 分钟，Premium 需要找 IBM 销售报价。
IBM Watson Speech to Text 能实时翻译吗？
不能。它只返回转写文本，而 IBM 已在 2024 年 12 月 10 日下线 Watson Language Translator。要做实时翻译字幕，得另接翻译服务或大模型，并自己写代码把译文和原句配对。LecSync 在同一条连接里直接返回译文。
IBM Watson 能区分几个说话人？
开 speaker_labels: true 后最多 6 个。IBM 说明这项功能针对两人电话对话优化，遇到一人主讲、多人抢话或发言很短时可能不准，定稿前编号还会变。LecSync 每句定稿都带说话人和时间戳。
IBM Watson 支持中文流式识别吗？
支持，用新一代 zh-CN_Telephony 模型，也能开低延迟。但普通话没有 Multimedia 或大型语音模型，主要面向电话音频。LecSync 直接处理 16 kHz 的普通话，并能和 60 种语言中的任意一种互译。
怎么选
做呼叫中心音频、需要深度定制模型、要私有化部署，或者合同里必须有 SLA，选 IBM Watson。要翻译字幕、给多人课堂和会议分说话人、处理中文和多语混说、会上就要纪要，选 LecSync，统一每分钟 $0.006。在开发者页面调一次 POST /v1/realtime/connect 就能开一条测试流。