字节跳动的豆包语音模型分两处卖：国内走火山引擎，人民币计费、北京接入；海外走 BytePlus，美元计费、新加坡接入。两边产品线一致——流式语音识别用 Seed ASR 2.0，要出译文则换另一个「同声传译」模型，可以只出双语字幕，也可以直接出译后语音。LecSync 实时语音 API 按音频每分钟 $0.006 计费（每小时 $0.36），一条 WebSocket 同时返回原文、60 语任意互译的译文、说话人标签和会中纪要。
只做同语种转写，豆包更便宜，下文会把账算清楚。真正需要权衡的，是产品要不要第二种语言、要不要区分说话人、要不要会还没开完就看到纪要。
本文数字全部来自 2026 年 10 月 17 日核对的公开页面。火山引擎部分：豆包语音计费说明（9 月 29 日更新）、大模型流式语音识别 API、同声传译 2.0 API。BytePlus 部分：ASR 计费、Live Interpretation 计费、Live Interpretation API 和 ASR 2.0 功能表。人民币按约 7.0 元兑 1 美元折算。
结论先说
只要原语种字幕，豆包流式语音识别 2.0 的刊例价很低：火山引擎后付费每小时 1 元（约 $0.14），BytePlus 每小时 $0.15；1,000 小时预付包分别是 900 元和 $140。在这一项上，LecSync 的每小时 $0.36 没有价格优势。
要双语字幕，就得换到同声传译模型。它按 token 计费：光是输入音频，每小时就折合 1.80 元（BytePlus 为 $0.27），输出的译文文本另算；而且语种对里必须有一方是中文或英文。LecSync 的翻译就在同一条流上，同样每小时 $0.36，60 种语言任意配对，说话人和纪要也包含在内。
三种方案怎么接
LecSync：服务端调用 POST https://api.lecsync.com/v1/realtime/connect，指定音频格式、一组语言对和要开的功能，拿到流地址和一次性 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（speakers: true）和分段纪要（digest: true）都从这条连接返回。翻译方向按片段判断，中英混着说的会议，每句话也会落到对的那一栏。网络卡顿时积压最多 2 秒。
豆包流式语音识别 2.0：提供三个 WebSocket 地址。双向流式逐字出结果，打开 enable_nonstream 后会在 800 ms 静音处对整句做第二遍识别，并标记为定稿。只有「流式输入」模式（bigmodel_nostream）能显式传 language，国内文档列了约 25 个语言码，BytePlus 宣称 ASR 2.0 支持 51 种语言；但这个模式要攒满 15 秒音频或收到最后一包才返回。热词和上下文只在中英文模型上生效。
豆包同声传译 2.0：独立的一条连接（/api/v4/ast/v2/translate）。语音转文本模式下，原文字幕和译文字幕分别作为事件下发；语音转语音模式再加合成音频，可以复刻说话人音色。输入只收 16 kHz 单声道 WAV，支持 20 种语言，粤语、上海话只能作源语种，并且一方必须是中文或英文。
参数对照（2026 年 10 月 17 日核对）
| LecSync 实时语音 API | 豆包流式语音识别 2.0 | 豆包同声传译 2.0 | |
|---|---|---|---|
| 返回内容 | 原文、译文、说话人、纪要 | 原文 | 原文字幕 + 译文字幕；可选译后语音 |
| 国内刊例价 | 同一美元价（见下行） | 每小时 1 元；1,000 小时包 900 元 | 输入 80 元/百万 token，文本输出 80 元，音频输出 300 元 |
| 海外刊例价 | 每分钟 $0.006（每小时 $0.36），全功能 | 每小时 $0.15；1,000 小时包 $140 | 每百万 token $12 / $12 / $46 |
| 语种 | 60 种，任意两两互译 | 国内约 25 个语言码 / BytePlus 51 种 | 20 种 + 2 种方言；一方须为中或英 |
| 会话中说话人 | 每个定稿片段带标签 | 仅中英模型 + 二遍识别（国内文档）；BytePlus 流式不支持 | 只有切换标志 spk_chg，无编号 |
| 会中纪要 | digest: true，同连接推送 | 无 | 无 |
| 自定义术语 | 术语表、强制译法 | 热词、上下文、图片上下文 | 热词、替换词、术语（合计 ≤1,000） |
| 默认并发 | 未公布 | 国内 50 路（增购 100 元/路/月）；BytePlus 10 路（增购 $10） | 10 路 |
| 接入点 | 6 个网关区域 | 北京 openspeech.bytedance.com / 新加坡（BytePlus） | 同左 |
1,000 小时要花多少
同声传译每秒输入音频约 6.25 个 token，一小时约 22,500 个。文本输出取决于说了多少话，下表按每小时 15,000 个文本 token 估算，实际以每次会话返回的计量事件为准。
| 1,000 小时 | LecSync | 火山引擎（国内） | BytePlus（海外） |
|---|---|---|---|
| 只要原文字幕 | $360 | 900 元包 ≈ $129 | $140 包 |
| 双语字幕（同传 S2T） | $360 | 约 3,000 元 ≈ $429（估算） | 约 $450（估算） |
| 会话中说话人标签 | $360 | 中英模型二遍识别可聚类，不单独计费 | 流式不提供 |
| 会中纪要 | $360 | 不提供 | 不提供 |
| 译后语音输出 | 不提供 | 连续输出语音每小时最高约 27 元 | 每小时最高约 $4.14 |
流式识别两行是刊例价；同传几行按 token 单价和假设的文本量推算，请当作估算看。火山引擎 10 亿 token 预付包能把单价压到每百万 56 元，但要一次付 56,000 元。更多厂商横向对比见加上翻译、说话人和纪要后，1,000 小时要花多少。
这些情况选豆包
- 大量同语种字幕。 每小时 $0.14–0.15，不到 LecSync 的一半。
- 国内普通话和方言。 默认模型覆盖普通话、英语和八类方言，无需切换；国内默认 50 路并发也很宽裕。
- 依赖上下文的识别。 ASR 2.0 能吃对话历史、热词，甚至一张图片做上下文，对产品名、屏幕上的专有名词有帮助。
- 需要译后语音。 带音色复刻的语音到语音同传，LecSync 目前没有。
- 按并发包月。 国内「并发版」每路每月 500 元、不按小时计费，适合全天在线的线路。
这些情况选 LecSync
- 语种对里没有中文或英文。 韩→日、西→德、阿→法，LecSync 在 60 种语言里直接配对。原因见内置翻译 vs 自建 STT+MT。
- 一条流、一个价。 原文和译文同一条连接、同一个单价，月底不用对 token 账。
- 实时字幕要带说话人。 每个定稿片段都能带说话人和
startMs/endMs，见带说话人和时间戳的会议客户端。 - 会没开完就要纪要。
digest: true在同一条连接上推送已确认的段落；豆包的「语音妙记」处理的是录音文件。 - 卡顿后能追回来。 积压上限 2 秒，见积压为什么卡在 2 秒。
常见问题
火山引擎和 BytePlus 是一回事吗？
都是字节跳动的云品牌，卖的是同一套豆包 / Seed 语音模型。火山引擎面向中国大陆，人民币计费、北京接入；BytePlus 面向海外，美元计费、语音接口在新加坡区域。两边的价格、默认并发和功能表略有差别，选型时要分开看。
豆包流式语音识别带翻译吗？
不带。流式识别只返回说话语种的文字。要译文得用单独的同声传译模型，按 token 计费，语种对一方必须是中文或英文。LecSync 在同一条转写流上直接返回译文，单价不变，仍是每分钟 $0.006。
豆包能实时区分说话人吗？
部分可以。国内流式文档里，中英模型开启二遍识别后支持说话人聚类；BytePlus 的 ASR 2.0 功能表只在录音文件识别里提供说话人分离。同声传译只给「说话人切换」标志，没有编号。LecSync 每个定稿片段都带说话人标签。
LecSync 一小时多少钱？
每小时 $0.36，即每分钟 $0.006，按实际接收的音频计到秒以下。这个价格包含 60 语实时转写、任意两种语言互译、说话人标签、术语表、译文润色、会中纪要和 30 天存储。空连接不计费。
写在最后
只要原语种字幕、追求最低小时单价，尤其是普通话或方言音频，或者需要译后语音输出，选豆包更合适。产品要做任意语种对的双语字幕、实时说话人和会中纪要，并且希望一条连接、一个分钟价，选 LecSync。两边都能很快验证：在开发者页面用 POST /v1/realtime/connect 开一条短流试试。