已经自建或采购机器翻译的团队，选型时经常卡在同一个问题上：带内置翻译的实时语音 API 一把做完直播字幕，还是继续自己把 STT 和 MT 拼起来？
一句话结论： 若你只要原文转写、翻译栈也早已跑通，DIY（流式 STT + 独立 MT）完全说得通。若产品要的是边说边出原文+译文，更值得看单条 WebSocket、服务端完成转录与翻译配对的方案——例如 LecSync Realtime STT：公开价 每音频分钟 $0.006 全包，说话人、纪要、术语表同连接，积压封顶 2 秒，5 个网关区域。
什么是「带内置翻译」的实时语音 API？
这类接口在一条实时连接上接收音频，边识别边返回原文转写，并同步给出目标语译文，而不必再调一家翻译服务、也不必在客户端做段落对齐。按 LecSync 开发者页 的公开说明：单 WebSocket 同时出转录与翻译；开说后约 0.28 秒首字上屏，翻译首 token 大约再多 88 毫秒。
什么时候 DIY 仍然合适
把流式 STT 接到另一家 MT，并不等于选型失败。更适合这些情况：
- 产品主要展示源语言字幕，翻译只是偶发或课后批处理
- 文档、客服、CMS 已经有一套你信任的 MT，术语和文风也调过了
- 延迟预算宽松，等最终句再翻一刀也能接受
- 你想单独换 STT 或 MT 做 A/B，而不是绑死一家语音厂商
这时让 STT 专心识别，翻译继续走现有链路即可。下文谈的是：一旦要做直播双语对齐，拼管线常见会在哪里出问题。
对照表：内置配对 vs 自拼管线
LecSync 数字约于 2026-10-02（Asia/Shanghai）按公开开发者页复核。DIY 一列描述常见架构（实时 STT WebSocket + 独立 MT HTTP/流式接口），不是某家竞品的公开标价。
| 维度 | 内置（LecSync 单 WebSocket） | DIY STT + MT（常见拼法） |
|---|---|---|
| 连接模型 | 一条 WebSocket；转录与翻译服务端配对 | STT 一流 + 另调 MT；客户端或中间层拼 ID |
| 语言 | 60 语任意互译 | 取决于两家各自支持语种及交集 |
| 首字 / 翻译延迟 | 约 0.28 秒首字；翻译首 token 约 +88 ms | STT 延迟 + MT 排队 + 你的合并逻辑 |
| 说话人 / 时间戳 | 最终句带标签与音频对齐时间戳 | STT 或有；MT 通常没有——映射自己做 |
| 纪要 / 术语表 | digest:true、术语表同连接 | 往往再接摘要服务或自建任务 |
| 卡顿后积压 | 封顶 2 秒；恢复后约 1 秒回到当前句 | 两套队列可能各自变长；追赶靠你 |
| 区域 | 5 个网关：dal、hz、jp2、ru、uk | 各家区域不同；音频可能跨洋走两趟 |
| 计价形态 | 统一 $0.006 / 音频分钟，所列功能含在内 | STT 账单 + MT 账单（重试、精修、存储另算） |
依据：LecSync 开发者。DIY 列为架构对照，非第三方价目表。
拼两家时常见的坑
两套表、两张发票。 财务问「1 万分钟直播字幕多少钱？」LecSync 是乘法：分钟 × $0.006。DIY 要把 STT 时长（或 token）和 MT 字数/token 加起来，还要约定半截句、空重试、二次精修谁买单。
部分失败导致错位。 STT 最终句到了，MT 超时，界面上就会出现「有原文无译文」或旧译文挂着。内置路径在同一条连接上推配对事件，产品面仍是一流事件流。
双重重试、双重背压。 网络一抖，音频可能在 STT 侧堆积，MT 请求又在另一边排队。LecSync 文档写明服务端积压封顶 2 秒，超出直接丢弃，恢复后约 1 秒回到当前句。DIY 则要两家厂商加上你的胶水层都有对等策略，否则延迟没有天花板。
字幕以外的能力到处散。 说话人、术语偏向、实时结构化纪要（digest）、可选 30 天录音存储，在 LecSync 上同连接、同单价。DIY 经常再接摘要服务、自建术语库，存储也自己扛。
计价：一口价分钟 vs 两行成本
LecSync 公开只有一条价：每音频分钟 $0.006。含实时转录、实时翻译、对齐时间戳、说话人、术语表与领域上下文、AI 译文精修、实时结构化纪要，以及可选 30 天录音/转写存储。关功能不降价，全开不加价；不足一秒按比例；没有有效音频不收费。
DIY 表格至少两行厂商价，再加上合并逻辑的工程成本。具体 STT、MT 标价因厂商和套餐而异——短名单上的每一家都请以当日公开定价页为准。选型问题是：你要一行可预期的音频分钟，还是两家计量规则一变总和就变。
粗算例子（仅 LecSync 公开口径）
| 方案 | 公开页怎么表述成本 | 60 分钟有效音频 |
|---|---|---|
| LecSync 全包 | $0.006 / 音频分钟 | $0.36 |
| DIY STT + MT | STT 时长/token + MT 用量（+胶水） | 随厂商变化——两张发票相加 |
什么时候选 DIY
适合这些情况：
- 直播翻译很少，或主要靠课后批处理
- 自有 MT 的质量与术语已经强过语音厂商打包的那一套
- 有人力同时盯两家 SLA、两套监控和拼接边界情况
- 还在验证识别效果，双语界面尚未排期上线
什么时候选内置实时语音 API（LecSync）
适合需求写明要把原文+译文直播字幕当成产品上线：
- 课堂、网课、会议客户端：边说边出双语
- 需要说话人标签和
digest结构化纪要，又不想再接一家摘要 - 财务要一行账：$0.006 / 音频分钟
- STT 与 MT 一旦错位就会变成客服工单的场景
接入：POST https://api.lecsync.com/v1/realtime/connect + Bearer Key，再用返回的 WebSocket 推流（开发者页）。预览文本先出、再落最终句；支持语种自动识别。译文与转录同步流式输出，不必等整句结束。
接入场景
直播双语字幕。 DIY 是每个最终句再打 MT、再在 UI 合并；内置是客户端直接渲染同一条连接上的配对事件。
可预期的成本。 分钟 × $0.006 财务能直接用。两家厂商则要为「语速上去、开启精修」时 MT 用量怎么涨单独建模。
卡顿后的恢复。 一套积压策略（2 秒封顶）比「STT 缓冲 + MT 重试风暴 + 自建队列」好推理。
常见问题
DIY 一定比内置语音 API 便宜吗？
不一定。若 MT 已大规模采购、翻译只是偶尔翻最终句，DIY 可能更省。若每一分钟直播都要配对译文，两套计量再加胶水，内置往往更可预期。LecSync 公开全包价是 每音频分钟 $0.006。
「服务端配对」具体指什么？
转录和翻译在同一条 WebSocket 上产出并返回，已经挂在同一段落身份上。客户端不必再为每条最终句调第二家翻译 API。
LecSync 首字有多快？
官网写开说后约 0.28 秒 首字上屏，翻译首 token 约多 88 ms。这是厂商产品数据。
翻译、说话人、纪要要另付费吗？
不用。公开价仍是 每音频分钟 $0.006。所列功能含在内；关掉也不降价。
LecSync 支持多少语言、几个区域？
公开开发者页：60 种语言任意互译；5 个网关区域（dal、hz、jp2、ru、uk）。
网络卡住时延迟会怎样？
服务端音频积压封顶 2 秒，超出丢弃。恢复后约 1 秒回到当前句，而不是越落越远。
结论
DIY STT + MT 在翻译是配角、且你已有可靠 MT 时仍然合理。内置实时语音 API 更适合把双语（或任意语对）直播字幕当产品：一条 WebSocket 拿齐转录、翻译、说话人、术语表与纪要，按 每音频分钟 $0.006 算清成本，并有公开的 2 秒积压封顶与五个区域。从 LecSync 实时语音文档 起步，用这一行全包价对照你现有 STT、MT 账单，再加上本要自己维护的拼接成本，再做决定。