速查在线工具箱语音转写按音频时长计费，不按文件大小也不按字数。所以压缩率再高、音质再好都不影响价格——一小时的录音就是一小时的钱。最低一档约 $0.003/分钟，一小时不到 2 分钱。
-
音频总分钟数
-
成本(美元)
-
折合人民币(元)
-
处理耗时(小时)
| 转写服务 | 单价 | 本批成本 | 每小时音频 |
|---|
音频总分钟数 = 小时 × 60；成本 = 总分钟数 × 每分钟单价；处理耗时 = 音频总秒数 ÷ (处理速度 × 并发数) ÷ 3600。倍实时表示 1 小时音频需要多少小时处理，10 倍实时即 6 分钟跑完 1 小时音频。
转写价格看时长，不看体量
这是语音转写最反直觉的一点：1 小时音频就是 1 小时的钱，跟采样率、码率、文件大小都无关。把 200 MB 的 WAV 压成 20 MB 的 MP3，价格一分不降。
主流服务价格对照
| 服务 | 单价（美元/分钟） | 每小时 | 特点 |
|---|---|---|---|
| OpenAI gpt-4o-mini-transcribe | $0.003 | $0.18 | 最便宜，适合大批量粗转写 |
| OpenAI Whisper | $0.006 | $0.36 | 经典稳定，多语言覆盖好 |
| OpenAI gpt-4o-transcribe | $0.006 | $0.36 | 准确率更高，支持流式 |
| ElevenLabs Scribe v1 | $0.0067 | $0.40 | 带说话人分离，适合会议记录 |
| Azure 语音转文本 | $0.0167 | $1.00 | 企业级合规与定制模型 |
最贵与最便宜相差约 5.5 倍。但要注意：便宜档的错误率更高，后续人工校对的时间成本往往远高于转写费本身。按「转写费 + 校对工时」综合评估，通常中档反而是最优解。
耗时比价格更容易被低估
转写耗时由「倍实时」和并发数共同决定。倍实时（RTF 的倒数）表示处理速度是实时的多少倍：
- 云端 API：一般不按倍实时考虑，并发数才是关键。开 4 个并发，吞吐大致翻 4 倍。
- 本地 GPU 跑 Whisper：中端显卡的 large 模型约 8–15 倍实时，消费级显卡跑 small 模型可到 30 倍以上。
- CPU 跑：可能低于 1 倍实时，也就是比录音还慢——批量任务前务必先测一段。
三个省钱又提速的做法
- 先切分再转写：把长音频按静音点切成 5–10 分钟的片段，并发提交，既提速又避免超时重跑。
- 先降采样到 16 kHz 单声道：转写模型本身就在 16 kHz 上工作，预处理不损精度还减小传输量。
- 用带时间戳的输出直接生成字幕：省掉一次单独的字幕对齐，也省掉对应的人力。
你可能还想问
成本按什么计算？
多数服务按音频时长计费（每分钟单价），自建模型则按 GPU 时长折算；转录加翻译、说话人分离等功能常另行计价。
耗时怎么估算？
自建推理通常接近实时（1 倍速）到数倍速，取决于模型大小与显卡；接口方案受排队与限流影响，批量任务建议按 1.5 倍预留时间。
怎么提高转写准确率？
提供领域热词表、确保音频清晰无强噪、按说话人分轨录制；专业术语与方言仍是难点，重要内容需人工校对。
相关工具
赞赏支持×
扫码请我喝杯咖啡
感谢您的支持，我会持续更新更多实用工具！