挑实时语音识别 API，大多数人先看报价单上那一行：每分钟多少钱。可真做产品，很少只要一份原文字幕。会议、网课、课堂类应用通常还要实时翻译、每句话标上是谁说的、会话中途就能看到纪要。这几样在很多平台上各算各的钱，有的还得再接一家服务，首页那个单价很快就对不上月底的账单。
这篇文章拿同一份需求，套进六家公开价目表，把每一步乘法都列出来，也会直说哪些情况下 LecSync 并不便宜。所有价格均于 2026 年 10 月 5 日从各家官方定价页或文档页核对。促销价随时会变，下单前请以链接里的原页面为准。
什么是按分钟一口价？
按分钟一口价，指每分钟音频只收一个价，流上开哪些功能都不再另外计费。LecSync Realtime STT 公开价为每音频分钟 $0.006，实时转录、实时翻译、说话人分割、术语表、实时结构化纪要和 30 天录音存储都含在里面，按实际接收的有效音频时长计费。
另一种常见做法是“基础价加功能附加费”：先收语音识别的底价，再给每项额外能力单列一行。只用基础识别时，这种方式更省；需求里一次出现三四项功能，账单就涨得很快。
测算用的需求
为了公平，每家都按同一份需求算：
- 每月 1,000 小时实时音频，即 60,000 分钟
- 原文实时字幕
- 实时翻译成一种目标语言
- 每条定稿字幕带说话人标签
- 会话纪要或摘要（能在会话中实时出的按实时算，只能会后生成的就按会后算）
- 一律按随用随付的公开价，不算年度承诺或企业折扣
有几家的实时流上没有翻译。这种情况我们统一补上 Google Cloud Translation 的 NMT 文本翻译当作第二份账单：每月前 50 万字符免费，之后每百万字符 $20。按字符计费就得先估字数，这里只说一次假设：正常语速大约每分钟 150 个英文单词，折合每小时约 5 万字符。1,000 小时约 5,000 万字符，扣掉免费额度后计费约 4,950 万字符。信息密度高的讲座会更多，停顿多的会议会更少。
各家公开价（2026 年 10 月 5 日核对）
| 服务与计费项 | 公开价 | 计费单位 |
|---|---|---|
| LecSync Realtime STT，全部功能 | $0.006 | 每分钟有效音频 |
| Deepgram Nova-3 单语种，流式 | 促销 $0.0048 / 原价 $0.0077 | 每分钟 |
| Deepgram Nova-3 多语种，流式 | 促销 $0.0058 / 原价 $0.0092 | 每分钟 |
| Deepgram 说话人分离，流式 | +$0.0020 | 每分钟 |
| Deepgram 术语提示（Keyterm Prompting），流式 | +$0.0013 | 每分钟 |
| AssemblyAI Universal-Streaming（英语或多语种） | $0.15 | 每小时连接时长 |
| AssemblyAI Universal-3.6 Pro Realtime | $0.45 | 每小时连接时长 |
| AssemblyAI 流式说话人分离 | +$0.12 | 每小时 |
| OpenAI gpt-live-transcribe | 约 $0.017 | 每分钟（定价页标注为估算） |
| OpenAI gpt-realtime-translate | 约 $0.034 | 每分钟 |
| Soniox 实时 | 输入音频 $2 / 百万 token，输出文本 $4 / 百万 token（官方折算约 $0.12/小时） | token |
| Google Cloud Speech-to-Text v2 标准模型 | $0.016 | 每分钟（每月前 50 万分钟档） |
| Google Cloud Translation NMT | $20 | 每百万字符（每月前 50 万免费） |
Deepgram 流式的低价标着限时促销。表里两列都放了，做长期预算建议按原价算。
1,000 小时一个月，逐家算账
LecSync
60,000 分钟 × $0.006 = 每月 $360。翻译、说话人、术语表、实时纪要（会话进行中按话题一段段推送，走的是同一条 WebSocket）都在这 $360 里。开发者页还写明：关掉功能不降价，全部打开也不加价。
Soniox
Soniox 按 token 计费，我们直接用它定价页给的换算：1 小时音频约 3 万个输入音频 token，1 小时语音约 1.5 万个输出文本 token。
- 音频输入：30,000 × $2 / 百万 = 每小时 $0.06
- 原文输出：15,000 × $4 / 百万 = 每小时 $0.06
- 翻译成一种语言：输出大约再多 1.5 万 token，每小时约 +$0.06（我们的估算）
合计每小时约 $0.18，一个月约 $180。Soniox 说明说话人分离和语种识别已含在价格里，翻译也在同一次实时调用中完成。定价页没有会话纪要，需要另配一个大模型来做。
AssemblyAI
- Universal-Streaming 多语种 + 流式说话人分离：$0.15 + $0.12 = 每小时 $0.27，× 1,000 = $270
- 实时翻译：它的 Translation 附加项（+$0.06/小时）只用于预录音频，实时场景要另接翻译服务，按上面的假设约 4,950 万字符 × $20 / 百万 ≈ $990
- 纪要：原来的摘要附加项已弃用，官方建议改走 LLM Gateway，按 token 另算
小计约每月 $1,260，另加大模型 token 费。若换成 Universal-3.6 Pro Realtime，语音部分变成 ($0.45 + $0.12) × 1,000 = $570，加翻译约 $1,560。还有一点要算进去：AssemblyAI 流式按 WebSocket 打开的时长计费，空闲也算，流式附加项同样按整段连接时长收。为了承载 1,000 小时说话，连接实际开了 1,100 小时，就按 1,100 小时付钱。
Deepgram
- Nova-3 多语种促销价：60,000 × $0.0058 = $348
- 流式说话人分离：60,000 × $0.0020 = $120
- 语音部分小计：促销价 $468；按原价是 $552 + $120 = $672
- 术语提示 Keyterm Prompting（最接近术语表的功能）：60,000 × $0.0013 = +$78
- 实时翻译：定价页上没有流式翻译这一项，同样补约 $990
- 摘要：列在 Audio Intelligence 下，输入每千 token $0.0003、输出每千 token $0.0006，需要单独发请求
小计：促销价约每月 $1,458，原价约 $1,662，术语提示和摘要 token 另算。
OpenAI
这个需求最对口的是翻译会话：一条会话同时推原文转写、译文转写和译文语音，60,000 × $0.034 = 每月 $2,040，这只是一种目标语言。官方翻译指南建议每种输出语言开一条会话，多一种语言这一行就翻倍。只要原文字幕的话，gpt-live-transcribe 是 60,000 × $0.017 = $1,020，但它的指南写明不返回说话人标签和词级时间戳。纪要要再调文本模型，按 token 计费。
Google Cloud
Speech-to-Text v2 标准模型：60,000 × $0.016 = $960，再加 NMT 翻译约 $990，合计约每月 $1,950。它的语音定价页没有单列说话人分离或摘要的价格，具体要看所选模型的文档。
汇总对照
| 方案（每月 1,000 小时） | 识别 + 说话人 | 实时翻译 | 纪要 | 月度估算 |
|---|---|---|---|---|
| LecSync | 已含 | 已含 | 已含，同一连接实时推送 | $360 |
| Soniox | 约 $120 | 约 $60（按 token 估） | 另配大模型 | 约 $180 + 模型费 |
| AssemblyAI Universal-Streaming + Google NMT | $270 | 约 $990 | LLM Gateway 按 token | 约 $1,260 + token |
| Deepgram Nova-3 多语种（促销）+ Google NMT | $468 | 约 $990 | 单独请求按 token | 约 $1,458 + token |
| OpenAI gpt-realtime-translate | 含原文转写，无说话人分离计费项 | $2,040 | 文本模型按 token | 约 $2,040 + token |
| Google STT v2 + NMT | $960（说话人未单列价格） | 约 $990 | 未列出 | 约 $1,950 |
波动最大的是翻译那一行。换一家更便宜的机器翻译，AssemblyAI 和 Deepgram 两行会明显下降。可架构上的事省不掉：两家供应商、两张账单、两套重试逻辑，原文和译文的时间还得自己对齐。这部分取舍在内置翻译还是自拼 STT + MT里讲过。
只看单价容易踩的坑
按连接时长还是按音频时长
AssemblyAI 流式按连接打开的时间收费。LecSync 按实际接收的有效音频计费，不足一秒按比例算，没有有效音频就不收钱。客户端如果习惯在两段对话之间一直挂着连接，两种计费方式的差距会越拉越大。
每加一项功能就多一份单价
单看 Deepgram 的说话人分离，就在 Nova-3 多语种促销价上加了约 35%（$0.0020 对 $0.0058）。再开术语提示，每分钟实际单价已经比首页那个数字高出一截。
目标语言越多，账单越多
OpenAI 翻译指南建议每种输出语言一条会话。LecSync 每条流配置一个语言对，要第二种目标语言也得再开一条流，单价同样是 $0.006。Soniox 则是多输出一份文本就多一份 token。比价之前先数清楚要几种目标语言。
token 计费跟着语速走
语速快、信息密的研讨课，每小时产出的 token 比节奏慢的客服电话多得多。按分钟计费不受这个影响，财务做预算也更省心。
促销总会结束
按这个用量，Deepgram Nova-3 多语种从促销价回到原价，每月要多出 $204。
什么情况选谁更划算
- 只要单语种原文字幕，不要翻译。 AssemblyAI Universal-Streaming 每小时 $0.15（本例每月 $150），Deepgram Nova-3 单语种促销价 $0.0048（本例 $288），都比 LecSync 的 $360 便宜。需求就这么多的话，直接选它们。细节见 LecSync 与 Deepgram 对比。
- 要转写、翻译、说话人，且只看标价。 Soniox 按 token 折算本例约 $180，是 LecSync 的一半。如果用不到实时纪要、术语表、译文精修和录音存储，价格上很难找到比它更低的。见 LecSync 与 Soniox 对比。
- 要输出译文语音，或者做语音 Agent。 OpenAI 的翻译会话和 Realtime Agent 会话能直接返回语音，LecSync 不提供这一块。两家连接各自能带回什么，可以看 LecSync 对比 AssemblyAI、OpenAI。
- 已经在 Google Cloud 上有承诺消费。 Speech-to-Text 的节省计划和用量阶梯，可能比标价差异更值钱。
- 一个产品里同时要双语实时字幕、说话人和随堂纪要。 这是 LecSync 最占优的场景。一条 WebSocket 返回已配对的原文和译文、带说话人标签且时间戳对齐录音的定稿段落、术语表纠偏和分段纪要，月底账单就是分钟数 × $0.006。网络抖动时，服务端积压上限 2 秒，延迟不会一路往上涨。
自己算一遍：五步
- 用一周真实流量，分别统计有效音频分钟数和连接打开的分钟数。
- 列出产品里用户真正看得到的功能：字幕、翻译、说话人、术语、纪要、存储。
- 数清每场会话要几种目标语言。
- 每家先按原价算，促销价只当额外惊喜。
- 把第二份账单的计费单位（字符、token）用你自己的转写稿换算成每小时多少钱，再乘以总时长。
常见问题
哪家实时语音识别 API 最便宜？
只看原文流式转写，按 2026 年 10 月 5 日的公开价，Soniox（官方折算约每小时 $0.12）和 AssemblyAI Universal-Streaming（每小时 $0.15）属于最低一档，Deepgram Nova-3 单语种促销价每分钟 $0.0048。LecSync 每分钟 $0.006，但这个价已经含翻译、说话人和实时纪要。
在 LecSync 上转写 1,000 小时要多少钱？
1,000 小时就是 60,000 分钟，60,000 × $0.006 = $360。按公开的开发者页，这个价包含实时翻译、说话人标签、术语表、实时结构化纪要、AI 译文精修，以及可选的 30 天录音存储。
LecSync 的翻译和说话人要额外收费吗？
不用。开发者页只有一个价：每音频分钟 $0.006，没有套餐档位，也没有按功能收的费用。关掉功能不降价，全部打开也不加价。
连接挂着不说话，LecSync 收钱吗？
LecSync 按实际接收的有效音频时长计费，不足一秒按比例算，并写明没有有效音频不收费。每条会话还会锁定开始时的单价。AssemblyAI 流式那种按连接时长计费的方式，算的则是连接打开了多久。
需要同时出两种目标语言的字幕怎么办？
多数平台都要按两份算。LecSync 每条流一个语言对，第二种目标语言要再开一条流，单价不变。OpenAI 建议每种输出语言一条翻译会话。Soniox 则随着多出来的输出文本多收 token。
这些价格靠得住吗？
都是 2026 年 10 月 5 日读到的随用随付公开价。企业合同、节省计划和促销都会改变实际价格，Deepgram 的流式低价也标着限时。文中的算例可以当模板，换上自己的流量重算一遍。
一句话总结
只要原文字幕的话，好几家都比每分钟 $0.006 便宜，直接用它们就好。一旦需求里加上实时翻译、说话人和随堂纪要，按项加价的方案会多出第二、第三份账单，一口价反而更简单，很多时候也更省。接入方式和完整功能清单见 LecSync Realtime STT 开发者文档，拿你自己的 1,000 小时算一遍。