Modal 按 GPU / CPU 秒计费，你在上面部署自己的应用。官方 Whisper 示例用动态批处理跑 OpenAI Whisper Large V3，账单跟硬件时钟走，没有公开的「每音频分钟」单价。2026 年 11 月 2 日核对的 定价页写明：Nvidia A10 $0.000306/秒（约 $1.10/小时）、L4 $0.000222/秒（约 $0.80/小时）、**T4 $0.000164/秒（约 $0.59/小时）**等。
LecSync 实时语音 API 是面向会议、课堂直播字幕的托管 WebSocket：预览字与终稿、60 种语言任意互译、每个终稿段落的说话人与录音时间戳、以及随讲随长的纪要。价格是 每音频分钟 $0.006（每小时 $0.36），上述能力都包在同一价里。
下文数据于 2026-11-02 对照 Modal 定价、GPU 指南、Whisper 批处理示例、llms.txt 与 LecSync 开发者页。Modal 不公布 Whisper 的 $/音频分钟，因此文中任何按分钟或按 1000 小时换算的数字都标为 Estimated（估算），并写明所假设的实时率（RTF）。
Modal 上的 Whisper 和实时字幕 API 分别是什么？
这里的 Modal Whisper 指 自助 GPU 应用：你部署 Whisper（文档示例是 openai/whisper-large-v3，在 gpu="a10g" 上用 @modal.batched），按 Modal 公开的 GPU $/秒付费。LecSync 这类实时字幕 API 则维持一条托管连接，在人还在说话时推送双语字幕、说话人与纪要，并按 实际接收的音频时长计费。Modal 是你自己运维 ASR 的算力平台，不是开箱即用的双语直播字幕产品。
一句话结论
若要 自己掌控 Whisper Large V3、按公开价卡租 A10/L4/T4、用批处理拉高吞吐、在镜像里微调或换模型，选 Modal 更合适。应用代码归你；Modal 只计量 GPU 秒。Starter 方案可见 每月 $30 免费额度，空闲容器可缩到零。
若要 直播双语字幕 + 说话人 + 纪要，且只要一张固定的分钟账单，LecSync 更贴近需求。Modal 上的 Whisper 容器，并不是把任意语向互译、说话人与纪要打包进每分钟 $0.006 的托管直播字幕 WebSocket。
两条路径怎么工作
LecSync。 服务端调用 POST https://api.lecsync.com/v1/realtime/connect，带上音频格式、语言对和需要的能力，再推送 16 kHz 单声道 PCM。人还在说时先出预览字，句子确认后落终稿；译文与同一段落 ID 对齐。打开 speakers: true 后，每个终稿带说话人及 startMs/endMs。打开 digest: true 后，纪要按段落推送。首字约在开口后 0.28 秒上屏，翻译大约再加 88 ms。七个网关区域（dal、jp3、kc、nj、ru2、ru3、uk）就近处理；积压上限 2 秒。
Modal Whisper（自助）。 用 @app.function / class 申请 GPU（GPU 指南 列出 T4、L4、A10、A100、H100 等）。官方 批处理 Whisper 示例 从 Hugging Face 加载 Whisper Large V3，跑在 gpu="a10g" 上，并用动态批处理（示例里 max_batch_size 可到 64）提高吞吐——文中称在 A10G 上对分块/多样本批处理相对未批处理约有 2.8× 提升。你按数据集或文件音频做 map；冷启动、并发和业务代码决定延迟。Modal 还有 Whisper 微调、Kyutai STT 流式等音频示例，但都不会自动变成「一条连接上的任意互译字幕 + 说话人 + 纪要、按音频分钟一口价」的产品。
定价：公开的 GPU 秒 vs 音频分钟
| 路径 | 公开数字（2026-11-02） | 你实际买到的 |
|---|---|---|
| LecSync 实时语音 API | $0.006 / 音频分钟 全包 | 接收的音频时长；含转写、互译、说话人、纪要 |
| Modal Nvidia A10 | $0.000306 / 秒（约 $1.10 / 小时） | 容器运行期间的 GPU 秒 |
| Modal Nvidia L4 | $0.000222 / 秒（约 $0.80 / 小时） | GPU 秒 |
| Modal Nvidia T4 | $0.000164 / 秒（约 $0.59 / 小时） | GPU 秒 |
| Modal Whisper $/音频分钟 | 未公布 | 需用 GPU 秒 × RTF 自行换算 |
按音频分钟的估算（写明假设）： Modal 没有 Whisper 的 $/音频分钟价目。下列数字均为 Estimated：
- A10 上快于实时的批处理（示例 RTF 0.1）： 约 $0.00184 / 音频分钟；1000 音频小时 ≈ 100 GPU 小时 ≈ $110（按约 $1.10/小时标价）——尚未计入冷启动、重试、CPU、出网或你忘记关掉的空闲时间。
- A10 上接近实时覆盖（示例 RTF 1.0）： 约 $0.0184 / 音频分钟；1000 音频小时约 $1,102。
- L4 / T4 可按约 $0.80/小时、$0.59/小时同样换算；更低的标价买到的仍是你自己拼装的同语种 ASR，不含直播互译、说话人与纪要。
LecSync 无论是否打开翻译、说话人、纪要，都是 $0.006/分钟 → 1000 音频小时 = $360。
同属「按 GPU 计量的 Whisper」可参考：Replicate openai/whisper、Hugging Face Inference Endpoints Whisper。不想付云 GPU 账单可看：Whisper.cpp 自托管。
对照表（2026-11-02 核对）
| LecSync 实时语音 API | Modal Whisper（自助 GPU） | |
|---|---|---|
| 主要用途 | 会议/课堂直播字幕 + 互译 | 在 Modal GPU 上部署 Whisper（或其他 ASR） |
| 计价 | $0.006/音频分钟一口价，功能全包 | 公开 GPU $/秒；无 Whisper $/音频分钟 |
| 交付形态 | 托管 WebSocket，预览→终稿 | 自写 Function/class；示例偏文件/数据集批转写 |
| 直播任意语向文本互译 | 60 种语言，同一条连接 | 需自建（上游 Whisper translate 只到英语） |
| 直播说话人 | 每个终稿（speakers: true） | 不打包；在应用里自接说话人分离 |
| 直播纪要 | digest: true | 转写后再自己做摘要 |
| 语言 | 60 种，自动识别 | 取决于你加载的 Whisper 权重/流水线 |
| 延迟叙事 | 首字约 0.28 s；互译约 +88 ms | 冷启动 + 批处理/wait_ms 调参；示例强调 A10G 上约 2.8× 批吞吐 |
| 区域 | 7 个网关；积压上限 2 秒 | Modal 侧为你的应用调度 GPU |
| 模型掌控 | 托管栈 | 完全自控：换模型、微调、批大小、GPU 型号 |
1000 小时成本（标注 Estimated 处为估算）
| 工作负载 | LecSync | Modal Whisper 应用 |
|---|---|---|
| 同语种文件/批量转写 | 直播 API 通常不是最便宜的文件路径 | Estimated：GPU 秒 × RTF；GPU 工作短时往往很便宜 |
| 连续直播字幕覆盖 | $360 / 1000 音频小时 | 需自建流式栈并自行定 GPU 规模；不是文档批处理示例 |
| 任意语向直播字幕 | $360 | Whisper 英译 + 你另接的翻译服务 |
| 直播中的说话人与时间戳 | 包含 | 在 Modal 应用里另接流水线 |
| 直播纪要 | 包含 | 会后自接摘要 |
| 字幕+互译+说话人的可预期 $/音频分钟 | 有（$0.006） | 无公开音频分钟 SKU |
附加费与自建流水线可参考：翻译、说话人、摘要叠上去后 1000 小时要花多少、内置翻译 vs 自己拼 STT+MT。
什么时候 Modal Whisper 更合适
- 要在 公开 A10/L4/T4 价卡上自助跑 Whisper Large V3，方便写进技术方案。
- 高吞吐批处理/数据集任务，动态批处理（文档称 A10G 上约 2.8×）能压低 GPU 秒。
- 需要 自定义镜像：微调 Whisper、钉死 revision，或在同一工作区混用其他 ASR。
- 用 Starter 每月 $30 额度做 GPU 秒预算，空闲缩容。
- 只要 同语种转写，互译、说话人、纪要你本来就会拆成别的服务。
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，译文跟段落对齐。
- 直播过程中的说话人与录音时间戳——带说话人与时间戳的会议客户端。
- 会中实时纪要（
digest: true）——实时纪要 vs 会后总结。 - 可预期的 $0.006/音频分钟，字幕栈不必再做 RTF 估算。
- 课堂/中英夹杂讲座，说话人一换语字幕也要跟得上。
分类胜出
| 类别 | 胜出方 | 原因 |
|---|---|---|
| 公开 GPU $/秒上的便宜自助 Whisper 批转写 | Modal | A10/L4/T4 标价；批处理 RTF 下同语种 ASR 可低于 $0.006/分钟 |
| 直播字幕的公开 $/音频分钟 | LecSync | 一口价 $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 |
| 透明的公开 GPU 价卡 | Modal | 例如定价页 A10 $0.000306/秒 |
| 托管直播首字延迟 | LecSync | 公开约 0.28 s / 互译约 +88 ms |
| Whisper 权重与批处理的完全控制 | Modal | 自有镜像与 @modal.batched 调参 |
常见问题
Modal 有没有按音频分钟公布的 Whisper 价格？
没有。Modal 按 GPU / CPU 秒计费。定价页列出 A10 $0.000306/秒（约 $1.10/小时）、L4 $0.000222/秒（约 $0.80/小时）、T4 $0.000164/秒（约 $0.59/小时）。Whisper 文档示例是跑在这些 GPU 上的应用。任何 $/音频分钟都是按 GPU 秒和 RTF 估算出来的。
A10 约 $1.10/小时，怎么和 LecSync 的 $0.006/音频分钟比？
计量对象不同。LecSync 按接收的 音频分钟；Modal 按你跑的容器的 GPU 秒。A10 上若假设 RTF 0.1，估算有效成本约 $0.00184/音频分钟——仍是同语种 ASR，不含直播互译、说话人与纪要。若 RTF 1.0，估算约 $0.0184/音频分钟。两处都请标成 Estimated。
Modal 的 Whisper 示例等于直播字幕 WebSocket 吗？
不等于。批处理 Whisper 示例 针对数据集/文件音频做动态批处理，适合 批量 ASR。它不是带预览→终稿双语字幕、说话人与纪要的托管麦克风 WebSocket。
Modal 上的 Whisper 应用默认带说话人和直播纪要吗？
不带。你加载 Whisper（或其他模型）后返回流水线产出的字段。LecSync 的 speakers: true 与分段 digest 是产品能力；在 Modal 上说话人分离和摘要要自己接。
做直播字幕产品时，什么时候仍该用 Modal？
当重活是 批量或定制 Whisper、愿意按 GPU 秒买单，或必须微调并自托管 ASR 栈时，用 Modal。若要在每音频分钟 $0.006 的托管实时语音 API 上同时拿翻译、说话人与纪要，从 LecSync 开发者页起步即可。
结论
要 在公开 GPU 价卡上自助跑 Whisper、自己控批吞吐，选 Modal。要 直播双语字幕 + 说话人 + 纪要，且固定 $0.006/音频分钟（1000 小时 $360）、不想靠 RTF 估算字幕成本，选 LecSync。可在 开发者页直接试用接口。