Replicate 把 OpenAI 的 Whisper Large-v3 做成公开 prediction：你提交文件或 URL，选择转写或经典 Whisper「译成英语」任务，按这次推理占用的 Nvidia T4 秒数付费。模型页（2026 年 11 月 1 日核对）上，典型一次运行大约 $0.00035–$0.00036，样例音频常在约 两秒内跑完。这是样例量级的参考，不能当成一小时讲座的公开实时倍率（RTF）。
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 2026-11-01 对照 Replicate openai/whisper 模型页、硬件定价（T4 为 $0.000225/秒 / $0.81/小时）、streaming predictions 文档，以及 LecSync 开发者页。Replicate 没有给 Whisper 公布音频分钟单价，因此文中任何 $/分钟或 1,000 小时折算都标为 Estimated，并写明 RTF 假设。
Replicate Whisper 和实时字幕 API 分别做什么？
Replicate Whisper 是 批量 / 文件 ASR prediction：提交文件或 URL，拿回文本，按 Nvidia T4 的 GPU 秒计费。LecSync 这类实时字幕 API 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，按 已接收音频时长计费。Replicate 所说的 “streaming” 是 SSE 渐进 token，不是会议用的麦克风直播字幕 WebSocket。
先说结论
若你要的是 便宜的托管 Whisper 文件/URL 转写——GPU 秒数短、经典多语识别、以及 Whisper 自带的「只译成英语」——Replicate 更合适。Playground 量级的典型账单大约 $0.00035；更长文件会随算力秒数上升，而不是一张固定的音频分钟价目表。
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。Replicate 的 openai/whisper 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。
Replicate openai/whisper。 对 openai/whisper 发起 prediction，传入音频文件或 URL。托管版本跑 Whisper Large-v3，硬件为 Nvidia T4。任务遵循经典 Whisper：多语转写，或 translate 只输出英语。公开模型按 硬件 × 时间计费；定价页写明 T4 为 每秒 $0.000225（每小时 $0.81）。模型页上的约 $0.00035 典型费用和「通常约两秒完成」会随输入变化——当作样例量级参考，不要当成超长讲座的吞吐 SLA。
计价：公开 GPU 秒 vs 音频分钟
| 路径 | 公开数字（2026-11-01） | 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 |
| Replicate Nvidia T4（公开模型） | $0.000225 / 秒（$0.81 / 小时） | prediction 运行期间的 GPU 秒 |
| openai/whisper 典型一次运行（模型页） | 约 $0.00035–$0.00036 | 样例量级估算；随输入变化 |
折算到音频分钟（Estimated，须写明假设）： Replicate 没有公布 Whisper 音频分钟价。任何 $/音频分钟或 1,000 小时数字，都是用 GPU 秒 × 实时倍率（RTF）估算出来的：
- 短样例： 模型页约 $0.00035、约两秒跑完——方便感受 playground 成本，不是一小时音频的 RTF。
- 快于实时的批量（举例 RTF 0.1）： 1,000 音频小时 ≈ 100 个 T4 GPU 小时 → 按 $0.81/小时列表价约 Est. $81。在该吞吐下有效 Est. $/音频分钟 ≈ $0.00135（尚未计入排队、重试或更冷的启动）。
- 接近实时覆盖（举例 RTF 1.0）： 1,000 音频小时 ≈ 1,000 个 T4 小时 → Est. 约 $810。有效 Est. $/音频分钟 ≈ $0.0135。
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 路径的邻近文章：Groq Whisper、Cloudflare Workers AI Whisper、Hugging Face Inference Endpoints Whisper。没有云端分钟价、偏自托管叙事的是 Whisper.cpp。
对照表（2026-11-01 核对）
| LecSync 实时语音 API | Replicate openai/whisper | |
|---|---|---|
| 主场景 | 会议/课堂直播字幕 + 互译 | 托管 Whisper Large-v3 文件/URL ASR |
| 计价 | 每音频分钟 $0.006 全包 | 按 T4 秒计费；典型约 $0.00035（可变）；无公开 $/音频分钟 |
| 交付 | 托管 WebSocket，预览→定稿 | Prediction API（文件/URL 进，文本出） |
| 直播任意语对互译 | 60 语，同一条连接 | Whisper translate → 仅英语 |
| 直播说话人 | 每个最终段落（speakers: true） | 不打包；需另建说话人流水线 |
| 直播纪要 | digest: true | 转写回来后再自建 |
| 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 | 等文件/URL 任务跑完；样例约 2 秒 |
| 平台上的 “streaming” | 直播 PCM 字幕 | SSE 推送模型渐进 token（文档偏 LLM） |
| 区域 | 7 个网关；积压封顶 2 秒 | Replicate 托管的 prediction 容量 |
| 模型控制 | 托管栈 | 托管 Large-v3；模型页也提到可 Docker 自跑 |
1,000 小时大概多少钱（标注 Estimated 处为估算）
| 工作负载 | LecSync | Replicate openai/whisper |
|---|---|---|
| 同语种文件/批量转写 | 直播 API 不是最便宜的文件路径 | 由 T4 秒 × RTF Estimated；GPU 工作短时往往很省 |
| 持续直播字幕覆盖 | 1,000 音频小时 $360 | 不是这个产品形态；需自建推流 + 大量 prediction |
| 任意语对直播字幕 | $360 | Whisper 英译 + 你自己运维的机翻 |
| 直播中的说话人与时间戳 | 含在内 | 另建流水线 / 其他模型 |
| 直播纪要 | 含在内 | 会后用自己的摘要模型 |
| 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 Replicate Whisper
- 短文件或 URL 任务，T4 秒数少，模型页约 $0.00035 这一档账单有吸引力。
- 想用 经典 Whisper Large-v3，又不想自己起 GPU 副本。
- 只要 Whisper 英译（多语进、英语出），会后文本就够用。
- 流水线已经建立在 Replicate prediction、webhook 和 Cog/Docker 模型上。
- 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
- 一条连接上的任意语对直播字幕——60 语里任选一对，译文与段落绑定。
- 直播过程中的说话人与对齐录音的时间戳——带说话人与时间戳的会议客户端。
- 会话进行中的纪要（
digest: true）——直播纪要 vs 会后摘要。 - 希望 可预期的每音频分钟 $0.006，字幕栈不必靠 Estimated RTF 心算。
- 课堂 / 多语混讲 场景，说话人一换语言，字幕也要跟上。
分项谁更合适
| 分项 | 更合适 | 原因 |
|---|---|---|
| 便宜的托管 Whisper 文件/URL 批量 | Replicate openai/whisper | 按 T4 秒计费；短任务常落在约 $0.00035 量级 |
| 直播字幕的公开 $/音频分钟 | LecSync | 扁平 $0.006 全包 |
| 直播任意语对字幕 + 说话人 + 纪要 | LecSync | 一条 WebSocket、一张分钟账单 |
| 透明的公开 GPU 列表价 | Replicate | T4 $0.000225/秒（$0.81/小时） |
| 托管直播字幕的首字时延 | LecSync | 公开约 0.28 秒 / 翻译约 +88 毫秒 |
| 文件上的经典 Whisper 英译 | Replicate | 托管任务自带 |
常见问题
Replicate 有没有公布 Whisper 的音频分钟价？
没有。公开模型按 硬件 × 时间计费。定价页 写明 Nvidia T4 为 $0.000225/秒（$0.81/小时）。openai/whisper 页给出典型一次约 $0.00035，并随输入变化。任何「每音频分钟多少钱」都是用 GPU 秒和 RTF 假设估出来的。
T4 每小时 $0.81 怎么跟 LecSync 每音频分钟 $0.006 比？
计量对象不同。LecSync 收的是已接收 音频分钟；Replicate 收的是 T4 上的 prediction GPU 秒。举例 RTF 0.1 时，有效成本可估到约 $0.00135/音频分钟——仍是同语种 ASR，不含直播互译、说话人和纪要。RTF 1.0 时约 Est. $0.0135/音频分钟。两处都要标 Estimated。
Replicate 的 streaming 等于直播字幕吗？
不等于。Replicate streaming 文档 讲的是 prediction 运行时的 SSE 渐进 token，示例多为 Llama 一类对话模型，用来边生成边推输出。它不是带预览→定稿双语字幕、说话人和纪要的托管麦克风 WebSocket，也撑不起会议或课堂直播字幕产品。
openai/whisper 带说话人标签吗？
托管 Whisper prediction 返回的是经典 Whisper 风格文本，以及模型暴露的相关字段。类似 LecSync speakers: true、在每个最终段落上打说话人标签的托管直播能力，并不包含在这次 prediction 账单里。若要分说话人轮次，需要 另建 diarization 流水线（换模型或会后自处理）。
做直播字幕产品时，什么时候还该用 Replicate？
当主力是 文件或批量 Whisper、按 T4 GPU 秒计费，或团队已经统一用 Replicate prediction 和 webhook 时，继续用它很合理。若目标是按每音频分钟 $0.006 拿托管实时语音 API，并在一条连接上同时要互译、说话人和纪要，从 LecSync 开发者页 起步即可。
最终怎么选
Replicate openai/whisper 适合要 便宜的托管 Whisper 文件/URL 转写、按 T4 算力 $0.000225/秒（$0.81/小时） 计费、短任务常在约 $0.00035 量级的场景。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翻译、说话人和纪要的场景。
下一步：打开 LecSync 开发者页，创建 connect 会话，推三秒 PCM，看预览→定稿字幕如何落在同一张账单上。